Pandas+Pyecharts | 电子产品销售数据分析可视化+用户RFM画像

简介: Pandas+Pyecharts | 电子产品销售数据分析可视化+用户RFM画像

大家好,我是欧K~

本期利用 python 分析一份 电子产品销售数据,看看:

  • 每月订单数量订单额
  • 每天订单数量分布
  • 男女用户订单比例
  • 女性/男性购买商品TOP20
  • 各年龄段订单数量订单额
  • 用户RFM等级画像
  • 等等...

希望对大家有所帮助,如有疑问或者需要改进的地方可以联系小编。

涉及到的库:
Pandas— 数据处理
Pyecharts— 数据可视化

1. 导入模块

import pandas as pd
from pyecharts.charts import Line
from pyecharts.charts import Bar
from pyecharts.charts import Pie
from pyecharts.charts import Grid
from pyecharts.charts import PictorialBar
from pyecharts import options as opts
from pyecharts.commons.utils import JsCode
import warnings
warnings.filterwarnings('ignore')


2. Pandas数据处理

2.1 读取数据

df = pd.read_csv("电子产品销售分析.csv")


2.2 数据信息

df.info()



一共有564169条数据,其中category_code、brand两列有部分数据缺失。


2.3 去掉部分用不到的列

df1 = df[['event_time', 'order_id', 'category_code', 'brand', 'price', 'user_id', 'age', 'sex', 'local']]
df1.shape

(564169, 9)


2.4 去除重复数据

df1 = df1.drop_duplicates()
df1.shape

(556456, 9)


2.5 增加部分时间列

df1['event_time'] = pd.to_datetime(df1['event_time'].str[:19],format="%Y-%m-%d %H:%M:%S")
df1['Year'] = df1['event_time'].dt.year
df1['Month'] = df1['event_time'].dt.month
df1['Day'] = df1['event_time'].dt.day
df1['hour'] = df1['event_time'].dt.hour
df1.head(10)


2.6 过滤数据,也可以选择均值填充

df1 = df1.dropna(subset=['category_code'])
df1 = df1[(df1["Year"] == 2020)&(df1["price"] > 0)]
df1.shape

(429261, 13)


2.7 对年龄分组

df1['age_group'] = pd.cut(df1['age'],[10,20,30,40,50],labels=['10-20','20-30','30-40','40-50'])


2.8 增加商品一、二级分类

df1["category_code_1"] = df1["category_code"].apply(lambda x: x.split(".")[0] if "." in x else x)
df1["category_code_2"] = df1["category_code"].apply(lambda x: x.split(".")[-1] if "." in x else x)
df1.head(10)


数据处理后还有87678个用户429261条数据。


3. Pyecharts数据可视化

3.1 每月订单数量订单额

def get_bar1():
    bar1 = (
        Bar()
            .add_xaxis(x_data)
            .add_yaxis("订单数量", y_data1)
            .extend_axis(yaxis=opts.AxisOpts(axislabel_opts=opts.LabelOpts(formatter="{value}万")))
            .set_global_opts(
            legend_opts=opts.LegendOpts(pos_top='25%', pos_left='center'),
            title_opts=opts.TitleOpts(
                title='1-每月订单数量订单额',
                subtitle='-- 制图@公众号:Python当打之年 --',
                pos_top='7%',
                pos_left="center"
            )
        )
    )
    line = (
        Line()
            .add_xaxis(x_data)
            .add_yaxis("订单额", y_data2, yaxis_index=1)
    )
    bar1.overlap(line)


  • 下半年的订单量和订单额相对于上半年明显增多
  • 8月份的订单量和订单额达到峰值。


3.2 一月各天订单数量分布

def get_bar2():
    pie1 = (
        Pie()
            .add(
            "",
            datas,
            radius=["13%", "25%"],
            label_opts=opts.LabelOpts(formatter="{b}: {d}%"),
        )
    )
    bar1 = (
        Bar(init_opts=opts.InitOpts(theme='dark', width='1000px', height='600px', bg_color='#0d0735'))
            .add_xaxis(x_data)
            .add_yaxis("", y_data, itemstyle_opts=opts.ItemStyleOpts(color=JsCode(color_function)))
            .set_global_opts(
            legend_opts=opts.LegendOpts(is_show=False),
            title_opts=opts.TitleOpts(
                title='2-一月各天订单数量分布',
                subtitle='-- 制图@公众号:Python当打之年 --',
                pos_top='7%',
                pos_left="center"
            )
        )
    )
    bar1.overlap(pie1)


  • 从每天的订单量上看,上中下旬订单量基本持平,占比都在30%以上,上旬和中旬要稍微高一点


3.3 一天各时段订单数量分布



  • 从订单时段上看,上午的订单要明显高于下午,占比达到了70.26%,尤其是在早上7:00-11:00之间


3.4 男女用户订单比例


  • 男性订单数量占比49.55%,女性订单数量占比50.45%,基本持平


3.5 女性/男性购买商品TOP20

def get_bar3():
    bar1 = (
        Bar()
        .add_xaxis(x_data1)
        .add_yaxis('女性', y_data1,
                   label_opts=opts.LabelOpts(position='right')
                   )
        .set_global_opts(
            title_opts=opts.TitleOpts(
                title='5-女性/男性购买商品TOP20',
                subtitle='-- 制图@公众号:Python当打之年 --',
                pos_top='3%',
                pos_left="center"),
            legend_opts=opts.LegendOpts(pos_left='20%', pos_top='10%')
        )
        .reversal_axis()
    )
    bar2 = (
        Bar()
        .add_xaxis(x_data2)
        .add_yaxis('男性', y_data2,
                   label_opts=opts.LabelOpts(position='right')
                   )
        .set_global_opts(
            legend_opts=opts.LegendOpts(pos_right='25%', pos_top='10%')
        )
        .reversal_axis()
    )
    grid1 = (
        Grid()
        .add(bar1, grid_opts=opts.GridOpts(pos_left='12%', pos_right='50%', pos_top='15%'))
        .add(bar2, grid_opts=opts.GridOpts(pos_left='60%', pos_right='5%', pos_top='15%'))
    )

  • 男性女性购买商品TOP20基本一致:smartphone、notebook、refrigerators、headphone等四类商品购买量比较大。


3.6 各年龄段订单数量订单额



  • 在10-50年龄段内,随着年龄段的增加,订单量和订单金额也在逐步增大。
  • 细分的话,20-30和40-50这两个年龄段稍高一些。


3.7 各年龄段购买商品TOP10



3.8 用户RFM等级画像

RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该模型通过一个客户的近期购买行为(R)、购买的总体频率(F)以及花了多少钱(M)三项指标来描述该客户的价值状况,从而能够更加准确地将成本和精力更精确的花在用户层次身上,实现针对性的营销。

用户分类:

def rfm_func(x):
    level = x.apply(lambda x:"1" if x > 0 else '0')
    RMF = level.R + level.F + level.M
    dic_rfm ={
        '111':'重要价值客户',
        '011':'重要保持客户',
        '101':'重要发展客户',
        '001':'重要挽留客户',
        '110':'一般价值客户',
        '100':'一般发展客户',
        '010':'一般保持客户',
        '000':'一般挽留客户'
    }
    result = dic_rfm[RMF]
    return result

计算等级:

df_rfm = df1.copy()
df_rfm = df_rfm[['user_id','event_time','price']]
# 时间以当年年底为准
df_rfm['days'] = (pd.to_datetime("2020-12-31")-df_rfm["event_time"]).dt.days
# 计算等级
df_rfm = pd.pivot_table(df_rfm,index="user_id",
                     values=["user_id","days","price"],
                     aggfunc={"user_id":"count","days":"min","price":"sum"})
df_rfm = df_rfm[["days","user_id","price"]]
df_rfm.columns = ["R","F","M"]
df_rfm['RMF'] = df_rfm[['R','F','M']].apply(lambda x:x-x.mean()).apply(rfm_func,axis=1)
df_rfm.head()

用户画像:



根据RFM模型可将用户分为以下8类:

  • 重要价值客户:最近消费时间近、消费频次和消费金额都很高。
  • 重要保持客户:最近消费时间较远,消费金额和频次都很高。
  • 重要发展客户:最近消费时间较近、消费金额高,但频次不高、忠诚度不高,很有潜力的用户,必须重点发展。
  • 重要挽留客户:最近消费时间较远、消费频次不高,但消费金额高的用户,可能是将要流失或者己经要流失的用户,应当给予挽留措施。
  • 一般价值客户:最近消费时间近,频率高但消费金额低.需要提高其客单价。
  • 一般发展客户:最近消费时间较近,消费金额、频次都不高。
  • 一般保持客户:最近消费时间较远,消费频次高,消费金额不高。
  • 一般挽留客户:各项指数都不高,可以适当放弃。


4. 源码

源码下载 | Python可视化系列文章资源(源码+数据)

👉 公众号【Python当打之年】后台回复可视化项目源码获取全部代码+数据

相关文章
|
2月前
|
自然语言处理 数据挖掘 数据处理
告别低效代码:用对这10个Pandas方法让数据分析效率翻倍
本文将介绍 10 个在数据处理中至关重要的 Pandas 技术模式。这些模式能够显著减少调试时间,提升代码的可维护性,并构建更加清晰的数据处理流水线。
139 3
告别低效代码:用对这10个Pandas方法让数据分析效率翻倍
|
2月前
|
数据采集 数据可视化 搜索推荐
Python数据分析全流程指南:从数据采集到可视化呈现的实战解析
在数字化转型中,数据分析成为企业决策核心,而Python凭借其强大生态和简洁语法成为首选工具。本文通过实战案例详解数据分析全流程,涵盖数据采集、清洗、探索、建模、可视化及自动化部署,帮助读者掌握从数据到业务价值的完整技能链。
373 0
|
9月前
|
数据采集 数据可视化 数据挖掘
Pandas数据应用:天气数据分析
本文介绍如何使用 Pandas 进行天气数据分析。Pandas 是一个强大的 Python 数据处理库,适合处理表格型数据。文章涵盖加载天气数据、处理缺失值、转换数据类型、时间序列分析(如滚动平均和重采样)等内容,并解决常见报错如 SettingWithCopyWarning、KeyError 和 TypeError。通过这些方法,帮助用户更好地进行气候趋势预测和决策。
305 71
|
9月前
|
存储 数据采集 数据可视化
Pandas数据应用:电子商务数据分析
本文介绍如何使用 Pandas 进行电子商务数据分析,涵盖数据加载、清洗、预处理、分析与可视化。通过 `read_csv` 等函数加载数据,利用 `info()` 和 `describe()` 探索数据结构和统计信息。针对常见问题如缺失值、重复记录、异常值等,提供解决方案,如 `dropna()`、`drop_duplicates()` 和正则表达式处理。结合 Matplotlib 等库实现数据可视化,探讨内存不足和性能瓶颈的应对方法,并总结常见报错及解决策略,帮助提升电商企业的数据分析能力。
378 73
|
6月前
|
人工智能 数据可视化 前端开发
Probly:开源 AI Excel表格工具,交互式生成数据分析结果与可视化图表
Probly 是一款结合电子表格功能与 Python 数据分析能力的 AI 工具,支持在浏览器中运行 Python 代码,提供交互式电子表格、数据可视化和智能分析建议,适合需要强大数据分析功能又希望操作简便的用户。
822 2
|
8月前
|
机器学习/深度学习 数据采集 供应链
Pandas数据应用:销售预测
本文介绍如何使用Pandas进行销售预测。首先,通过获取、清洗和可视化历史销售数据,确保数据质量并理解其特征。接着,进行特征工程,构建线性回归等模型进行预测,并评估模型性能。最后,针对常见问题如数据类型不匹配、时间格式错误、内存不足和模型过拟合提供解决方案。掌握这些步骤,可有效提升销售预测的准确性,助力企业优化库存管理和提高客户满意度。
164 17
|
8月前
|
存储 数据采集 数据可视化
Pandas数据应用:医疗数据分析
Pandas是Python中强大的数据操作和分析库,广泛应用于医疗数据分析。本文介绍了使用Pandas进行医疗数据分析的常见问题及解决方案,涵盖数据导入、预处理、清洗、转换、可视化等方面。通过解决文件路径错误、编码不匹配、缺失值处理、异常值识别、分类变量编码等问题,结合Matplotlib等工具实现数据可视化,并提供了解决常见报错的方法。掌握这些技巧可以提高医疗数据分析的效率和准确性。
254 22
|
9月前
|
数据采集 数据可视化 索引
Pandas数据应用:股票数据分析
本文介绍了如何使用Pandas库进行股票数据分析。首先,通过pip安装并导入Pandas库。接着,从本地CSV文件读取股票数据,并解决常见的解析错误。然后,利用head()、info()等函数查看数据基本信息,进行数据清洗,处理缺失值和重复数据。再者,结合Matplotlib和Seaborn进行数据可视化,绘制收盘价折线图。最后,进行时间序列分析,设置日期索引、重采样和计算移动平均线。通过这些步骤,帮助读者掌握Pandas在股票数据分析中的应用。
358 5
|
10月前
|
存储 数据可视化 数据挖掘
使用Python进行数据分析和可视化
本文将引导你理解如何使用Python进行数据分析和可视化。我们将从基础的数据结构开始,逐步深入到数据处理和分析的方法,最后通过实际的代码示例来展示如何创建直观的数据可视化。无论你是初学者还是有经验的开发者,这篇文章都将为你提供有价值的见解和技巧。让我们一起探索数据的世界,发现隐藏在数字背后的故事!
323 5
|
10月前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析和可视化
【10月更文挑战第42天】本文将介绍如何使用Python进行数据分析和可视化。我们将从数据导入、清洗、探索性分析、建模预测,以及结果的可视化展示等方面展开讲解。通过这篇文章,你将了解到Python在数据处理和分析中的强大功能,以及如何利用这些工具来提升你的工作效率。