Python数据分析与可视化典型项目实战（微课版）课件 模块七 电商客户行为分析.pptx

模块七电商客户行为分析Python数据分析与可视化典型项目实战（微课版）

【任务描述】Excel文件“UserBehavior.xlsx”共有757565行、10列数据，每一行表示一条客户行为，列名称及说明如表7-1所示。【任务7-1】以行业常见指标分析一周内电商客户行为

【任务描述】针对该数据集完成以下数据分析与可视化操作。（1）日期维的客户行为分析。（2）时间段的客户行为分析。（3）统计与分析每日活跃客户、每日购买客户数及购买客户率。（4）分析客户活跃天数分布情况。（5）每日新增客户分析。（6）客户留存分析。（7）复购分析。（8）RFM模型分析。（9）转化路径分析（漏斗分析）。（10）商品销售分析。【任务实现】在JupyterNotebook开发环境中创建tc07-01.ipynb，然后在单元格中编写代码并输出对应的结果。【任务7-1】以行业常见指标分析一周内电商客户行为

以行业常见指标分析一周内电商客户行为1．导入模块导入通用模块的代码详见“本书导学”，导入其他模块的代码如下：importdatetimefrompyechartsimportchartsaspycimportwarnings#忽略警告warnings.filterwarnings(ignore)#绘图的字体默认设置fontdict={fontsize:14,horizontalalignment:center}

以行业常见指标分析一周内电商客户行为2．提取数据columns=[客户ID,商品ID,商品类型ID,行为类型,时间戳,性别,城市,访问设备,价格,数量]#读取数据df=pd.read_excel(rdata\UserBehavior.xlsx,names=columns,converters={时间戳:int})data=df.copy()data.head()

以行业常见指标分析一周内电商客户行为3．数据处理查看数据集的基本信息data.info()数据去重处理data.drop_duplicates(inplace=True)时间戳的转化处理data[time1]=pd.to_datetime(data[时间戳],unit=s)data[日期]=data[time1].dt.date#data[月]=data[time1].dt.monthdata[年_月]=data[time1].apply(lambdax:x.strftime(%Y-%m))data[时]=data[time1].dt.hour

以行业常见指标分析一周内电商客户行为以下代码也能实现时间戳的转化处理。data[time1]=data[时间戳].apply(lambdax:datetime.datetime.fromtimestamp(x))data[月]=data[时间戳].apply(lambdax:int(datetime.datetime.fromtimestamp(x).strftime(%Y%m)))data[日期]=data[时间戳].apply(lambdax:datetime.datetime.fromtimestamp(x).strftime(%Y-%m-%d))data[时]=data[time1].apply(lambdax:x.hour)观察有没有缺失值data.isnull().sum()观察数据有没有异常值data.describe()

以行业常见指标分析一周内电商客户行为4．日期维的客户行为分析计算各种行为的数量pd.set_option(float_format,lambdax:%.2f%x)type_value=data.行为类型.value_counts()type_value计算7天内各类客户行为的总计数、每日平均操作计数、每个客户平均操作数#统计7天总客户量unique_user=data.客户ID.nunique()#计算7天内各类客户行为的总计数、每日平均操作计数、每个客户平均操作数type_df=pd.DataFrame([type_value,type_value/7,type_value/unique_user],index=[total,avg_day,avg_user])type_df

以行业常见指标分析一周内电商客户行为按天分析pv/uv，观察其访问走势#按天分析pv/uv，观察其访问走势all_puv=pd.pivot_table(data,index=[日期],values=客户