单表操作完成，批量操作，只需要建立好循环+合并关系，并引入日期列，在合并结果中对不同的表数据做好区分：
result = pd.DataFrame() for name in os.listdir(): df = pd.read_excel(name) df = df.sort_values('品牌搜索人数',ascending = False) df['搜索人数排名'] = df['品牌搜索人数'].rank(ascending = False) df['搜索份额'] = df['品牌搜索人数'] / df['品牌搜索人数'].sum() brand = '凌云' brand_data = df.loc[df['品牌'].str.find(brand) != -1,:] other = df.loc[df['品牌'].str.find(brand) == -1,:] other_top5 = other.iloc[:5,:] data = pd.concat([brand_data,other_top5]) data['日期'] = name[4:-5] result = pd.concat([result,data])
Pandas批量操作，就是如此丝滑~
第一个需求搞定。
项目二：品牌投放分析
“在现有数据基础上，找到最近一年投放效果还不错的品牌，要吹吹牛，做年度表彰。”
首席吹牛官以成本数据过于机密为由，除了说各品牌费用基本无差别之外，没有透露任何关于成本方面的数据，我们自然也无法计算投放ROI了这些核心指标了。
目前能够拿到的，只有品牌、搜索人数、点击人数和对应支付人数这几个指标。
要找到最近一年投放效果还不错的品牌，我们可以用漏斗思维，从量级（人数）和效率（转化率）两个角度来考虑：
在费用无差别的情况下：
- 人群基数大（搜索人数），表示投放的心智效果不错，让更多用户被广告触达后，在平台主动搜相关的品牌。
- 搜索-点击转化率高，代表了搜索结果的精准度，搜索后展示页面的吸引力等等
- 点击-支付转化率高，更可能受产品详情页面、活动力度等影响
在项目二场景中，三个指标越高越好。接下来，我们就结合搜索人数，搜索-点击转化率和点击-支付转化率，用Pandas做一波分析。
要对最近一年的数据做分析，我们先把2020年所有数据合并，拿到汇总表：
再按品牌的维度，做指标汇总：
计算对应的搜索-点击转化率，点击-支付转化率：
基础数据齐活了！
从仅有的head5数据可以看到，双敏品牌以160万的搜索人数独占鳌头，但是！排名第二的九方，虽然搜索人数少了40多万，却能凭借较高的搜索-点击转化率和点击-支付转化率，在支付人数上远超双敏，成为支付之王。
表格太晦涩，我们画个图吧：
注：因为分析背景是无差别投放，搜索人数重要性非常高，为了可视化简洁清晰，我们简单粗暴的筛选TOP15品牌来绘图
根据气泡图，我们按照搜索-点击转化率和点击-支付转化率的高低划分了4个区间：
- 区间1：高搜索-点击转化，高点击-支付转化
- 区间2：低搜索-点击转化，高点击-支付转化
- 区间3：低搜索-点击转化，低点击-支付转化
- 区间4：高搜索-点击转化，低点击-支付转化
再结合数据表，看的更加清晰：
结果显而易见，高搜索量级的品牌，主要呈现出两种形态：
- 以双敏（排名第1）、巨奥（排名第3）为代表的品牌主要分布在第三区间，量级较大，但两种转化效率均需要进一步提升，品牌没能较好的承接蜂拥而至的流量。
- 九方（排名第2）、商软（排名第4）则是高搜索量级、高转化效率的代表，从现有数据看，他们才是不吹牛集团学习的榜样。
