day13 ブラックフライデー事件

情報 2024-01-09 03:43:59 訪問数: null

コード、メモ、およびデータセット ファイルは gitee に配置されます。
ここをクリックして gitee に入ります
https://gitee.com/jiangxun07/python-data-analysis.git

ブラックフライデー（アメリカのショッピングモールのクリスマスセール）はアメリカ人にとって大きな買い物をする日ですが、BlackFriday.csv分析したデータをもとに結論を導き出してみましょう。

記事ディレクトリ

1. 分析の方向性

1.1 売上高の推移

  1. 販売ポートレート
    • 販売
    • ユーザーの状況
    • 商品状態
  2. ユーザーのポートレート
    • 性別分布と消費状況
    • 年齢分布と消費状況
    • さまざまな都市におけるユーザーの分布と消費
  3. 商品画像
    • 最も人気のある製品の流通と消費
    • さまざまな年齢層に好まれる商品の流通と消費
    • 男性・女性に好まれる商品の流通・消費

2.生データ

import pandas as pd
df=pd.read_csv('./BlackFriday.csv')
df

ここに画像の説明を挿入します
合計50万行以上

2.1 データ情報

df.shape

df.info()

ここに画像の説明を挿入します

2.2 データクリーニング

最初の行の名前を変更する

df=df.rename(columns={
    
    
        'User_ID': '用户ID',
        'Product_ID': '商品ID',
        'Gender': '性别',
        'Age': '年龄',
        'Occupation': '职业',
        'City_Category': '城市类别',
        'Stay_In_Current_City_Years': '居住城市年数',
        'Marital_Status': '婚姻状况',
        'Product_Category_1': '产品类别1',
        'Product_Category_2': '产品类别2',
        'Product_Category_3': '产品类别3',
        'Purchase': '采购额'
})
df

ここに画像の説明を挿入します

"""查看数据缺失值所占的比重"""
df.dropna().shape[0] / df.shape[0]  # 非空值所占比重 30%左右  缺失值所占比重达到了 70% 左右

"""重复数据"""
df.drop_duplicates()  # 无重复数据

ここに画像の説明を挿入します

3.データ分析

3.1 販売状況

"""销售总额"""
df['采购额'].sum()

"""用户总人数"""
df.drop_duplicates('用户ID').shape[0]
df.drop_duplicates('用户ID')['用户ID'].count()

"""人均消费"""
df['采购额'].sum() / df.drop_duplicates('用户ID')['用户ID'].count()

"""商品类别统计"""
print('商品类别数量:', df.drop_duplicates('商品ID')['商品ID'].count())

# print('商品类目的销售数量:\n', df.groupby('商品ID')['商品ID'].count().sort_values(ascending=False))
print('商品类目的销售数量:\n', df['商品ID'].value_counts())

ここに画像の説明を挿入します

4. ユーザー像分析

# 根据"用户ID"去重, 取出来想要的列, 然后用"用户ID"做排序
df_dd = df.drop_duplicates('用户ID')[
    ['用户ID', '商品ID', '性别', '年龄', '职业', '城市类别', '居住城市年数', '婚姻状况']
].sort_values('用户ID')
df

ここに画像の説明を挿入します

# 先根据"用户ID"做分组, 计算每个用户的采购总额, 新增一列采购额的数据
df_dd['采购额'] = df.groupby(by='用户ID')['采购额'].sum().sort_index().values
df_dd

ここに画像の説明を挿入します

df.groupby(by='用户ID').get_group(1000002)['采购额'].sum()

ここに画像の説明を挿入します

4.1 性別が消費力に及ぼす影響

df_dd['性别'].value_counts()

x_data = ['男性', '女性']
sex_data = df_dd['性别'].value_counts().tolist()
data = list(zip(x_data, sex_data))
data

ここに画像の説明を挿入します

from pyecharts import options as opts
from pyecharts.charts import Pie
from pyecharts.faker import Faker

c = (
    Pie()
    .add("", data)
    .set_global_opts(title_opts=opts.TitleOpts(title="男女性别所占比例"))
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}--{d}%"))
)
c.render_notebook()

ここに画像の説明を挿入します

"""不同性别的采购额"""
s_gender = df_dd.groupby('性别')['采购额'].sum()
s_gender

ここに画像の説明を挿入します

from pyecharts import options as opts
from pyecharts.charts import Bar
from pyecharts.faker import Faker


c = (
    Bar()
    .add_xaxis(['女', '男'])
    .add_yaxis("商家A", s_gender.values.tolist())
    .set_global_opts(title_opts=opts.TitleOpts(title="不同性别的采购额"))
)
c.render_notebook()

ここに画像の説明を挿入します

## 婚姻状况对消费能力的影响
df_cc = df_dd['婚姻状况'].value_counts()
df_cc

"""婚姻状况所占比重"""
from pyecharts import options as opts
from pyecharts.charts import Pie

x = ['未婚', '已婚']
y = df_cc.values.tolist()
data = list(zip(x, y))

c = (
    Pie()
    .add("", data)
    .set_global_opts(title_opts=opts.TitleOpts(title="婚姻状况占比"))
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}--{d}%"))
)
c.render_notebook()

ここに画像の説明を挿入します

"""不同婚姻状况的采购额"""

# 女性情况
nv_dd = df_dd[df_dd['性别'] == 'F']
nv_result = nv_dd.groupby('婚姻状况')['采购额'].sum()
nv_result

# 男性情况
nan_dd = df_dd[df_dd['性别'] == 'M']
nan_dd_result = nan_dd.groupby('婚姻状况')['采购额'].sum()
nan_dd_result

"""婚姻状况对采购的影响"""
from pyecharts import options as opts
from pyecharts.charts import Line


c = (
    Line()
    .add_xaxis(['未婚', '已婚'])
    .add_yaxis("女性", nv_result.values.tolist())
    .add_yaxis("男性", nan_dd_result.values.tolist())
    .set_global_opts(title_opts=opts.TitleOpts(title="不同婚姻状况不同性别的采购额"))
)
c.render_notebook()

ここに画像の説明を挿入します

4.2 年齢が消費に及ぼす影響

"""统计每个年龄阶段的人数"""

# 性别女数据, 分年龄段的数据
nv_dd = df_dd[df_dd['性别'] == 'F']
nv_result = nv_dd.groupby('年龄')['用户ID'].count()
nv_result

# 性别男数据, 分年龄段的数据
nan_dd = df_dd[df_dd['性别'] == 'M']
nan_dd_result = nan_dd.groupby('年龄')['用户ID'].count()
nan_dd_result

ここに画像の説明を挿入します

"""每个年龄阶段男女人数统计"""
from pyecharts import options as opts
from pyecharts.charts import Bar
from pyecharts.faker import Faker


c = (
    Bar()
    .add_xaxis(nan_dd_result.index.tolist())
    .add_yaxis("女性", nv_result.values.tolist())
    .add_yaxis("男性", nan_dd_result.values.tolist())
    .set_global_opts(
        title_opts=opts.TitleOpts(title="每个年龄阶段男女人数统计"),
        toolbox_opts= opts.ToolboxOpts()
    )
)
c.render_notebook()

ここに画像の説明を挿入します

"""每个年龄阶段的消费能力"""
xiaofei = df_dd.groupby('年龄')['采购额'].sum()
xiaofei

ここに画像の説明を挿入します

"""每个年龄阶段男女人数统计"""
from pyecharts import options as opts
from pyecharts.charts import Bar


c = (
    Bar()
    .add_xaxis(xiaofei.index.tolist())
    .add_yaxis("", xiaofei.values.tolist())
    .set_global_opts(title_opts=opts.TitleOpts(title="每个年龄阶段男女人数统计"))
)
c.render_notebook()

ここに画像の説明を挿入します

4.3 都市フィールド分析

df_city = df_dd['城市类别'].value_counts()
df_city = df_city.sort_index()
df_city

ここに画像の説明を挿入します

"""城市所占比重"""
from pyecharts import options as opts
from pyecharts.charts import Pie

x = df_city.index.tolist()
y = df_city.values.tolist()
data = list(zip(x, y))

c = (
    Pie()
    .add("", data)
    .set_global_opts(title_opts=opts.TitleOpts(title="不同城市人数比重"))
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}--{d}%"))
)
c.render_notebook()

ここに画像の説明を挿入します

"""城市消费采购额统计"""
city_sum = df_dd.groupby('城市类别')['采购额'].sum()
city_sum

ここに画像の説明を挿入します

"""城市消费采购额柱状图"""
from pyecharts import options as opts
from pyecharts.charts import Bar
from pyecharts.faker import Faker


c = (
    Bar()
    .add_xaxis(city_sum.index.tolist())
    .add_yaxis("消费水平", city_sum.values.tolist())
    .set_global_opts(title_opts=opts.TitleOpts(title="城市消费采购额柱状图"))
)
c.render_notebook()

ここに画像の説明を挿入します

"""每个城市平均消费能力"""
city_sum / df_city

# 人数来说: C城市
# 消费总额: B城市
# 人均消费: A城市

city_live = df_dd.groupby('居住城市年数')['用户ID'].count()
city_live

ここに画像の説明を挿入します

"""不同居住年限人数饼图"""
from pyecharts import options as opts
from pyecharts.charts import Pie
from pyecharts.faker import Faker

x = ['游客', '1年', '2年', '3年', '4年以上']
y = city_live.values.tolist()
data = list(zip(x, y))

c = (
    Pie()
    .add("", data)
    .set_global_opts(title_opts=opts.TitleOpts(title="不同居住年限人数饼图"))
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}--{d}%"))
)
c.render_notebook()

ここに画像の説明を挿入します

"""不同居住年份的采购额"""
city_xiaofei = df_dd.groupby('居住城市年数')['采购额'].sum()
city_xiaofei

ここに画像の説明を挿入します

"""不同居住年限采购额饼图"""
from pyecharts import options as opts
from pyecharts.charts import Pie

x = ['游客', '1年', '2年', '3年', '4年以上']
y = city_xiaofei.values.tolist()
data = list(zip(x, y))

c = (
    Pie()
    .add("", data)
    .set_global_opts(title_opts=opts.TitleOpts(title="不同居住年限采购额饼图"))
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}--{d}%"))
)
c.render_notebook()

ここに画像の説明を挿入します

4.4 キャリア分析

work = df_dd['职业'].value_counts().sort_values()
work

ここに画像の説明を挿入します

"""职业分布柱状图"""
from pyecharts import options as opts
from pyecharts.charts import Bar


c = (
    Bar()
    .add_xaxis(work.index.tolist())
    .add_yaxis("消费水平", work.values.tolist())
    .set_global_opts(title_opts=opts.TitleOpts(title="职业分布柱状图"))
)
c.render_notebook()

ここに画像の説明を挿入します

"""不同职业的消费能力"""
ocp_data = df_dd.groupby('职业')['采购额'].sum()
ocp_data

ocp_data_list = []
for i in work.index:
    # print(ocp_data[i])
    ocp_data_list.append(ocp_data[i])
    

data_ser = pd.Series(index=work.index.tolist(), data=ocp_data_list)

from pyecharts import options as opts
from pyecharts.charts import Bar

x = work.index.tolist()

c = (
    Bar()
    .add_xaxis(data_ser.index.tolist())
    .add_yaxis("消费水平", data_ser.values.tolist())
    .set_global_opts(title_opts=opts.TitleOpts(title="不同职业的消费能力"))
)
c.render_notebook()

ここに画像の説明を挿入します

work.index.tolist()

data_ser

ここに画像の説明を挿入します

5. まとめ

  • 性別の観点から見ると、男性は女性よりも高い購買力を持っています。
  • 婚姻状況：商品を購入する人は既婚者よりも未婚者の方が多く、既婚者よりも未婚者の購入額が高く、男性の婚姻状況が男性の購入額に与える影響が大きい。
  • 年齢: 18 ～ 45 歳の人々は強い購買力を持っています
  • 都市: B 都市は、他の都市に比べて消費力が高い中大都市であると推測されます。
  • 居住期間：1年程度居住している人の購買力は高く、居住期間が長くなると購買力は低下します。
  • 職業: 職業によって消費力は大きく異なるため、マーケティング計画の焦点は次のとおりです [14 20 12 17 1 7 0 4]

おすすめ

転載: blog.csdn.net/m0_73678713/article/details/134574572
おすすめ
GitHub のホットリストに急上昇 — オープンソースのプログラミング言語とフレームワークは、どうしてこんなにも魅力的なのでしょうか?
北京ヒューマノイドロボットイノベーションセンターが、擬人化走行用の純粋な電気駆動を備えた世界初のフルサイズヒューマノイドロボット「Tiangong」を発売
ランキング
アリクラウドサーバ_ubuntu ECSシステムディスク拡張システム_
ボタンをクリックしてクリップボードにコピーします
脅威ハンティングを使用してサイバー セキュリティを強化する
ライン画像やコンテナnginxのの建設
Python での try の使用について書く
リアルタイムのデータウェアハウスを構築する方法高速データ時代、MySQLのAnalyticDBはあなたを教えて
Docker でのネットワークおよびデータ管理 (Docker Swarm クラスターおよび Docker データ管理を含む)
Java ループの比較: 従来の for ループ、拡張された for ループ、および forEach ループ
浙江大学版「C言語プログラミング（第3版）」演習2-18
Gestion du temps RTOS - Utilisation de la fonction de crochet SysTick pour réaliser l'échantillonnage de synchronisation et les sous-sections de ce chapitre
アーカイブ
もっと
2024-04-27(29)
2024-04-26(22)
2024-04-25(31)
2024-04-24(30)
2024-04-23(31)
2024-04-22(5)
2024-04-21(0)
2024-04-20(6)
2024-04-19(5)
2024-04-18(0)

コードワールド

© 2018 codetd.com