前几天写了一篇关于同期群分析的内容，主要从理论层面，讲清楚这个经典的分析思维是什么、为什么要做以及怎么延展。并且在文末立了个开放式flag，说点赞超过xx，就会更新提供源数据的Python实现篇。原文这里：都说经典，同同同期群分析到底是个啥？

话说像这种flag，本意其实是“拖延拖延，以后看心情更”。没想到啊，大家对于这个模型的实现有这么大的兴趣，我被不止一个群友盯梢催更....

这不，卑微小编，按时祭上原创~

这篇内容首先对同期群分析的概念做了简短的回顾，然后循着数据概览、数据清洗、思路剖析、单点实现以及最终实现的流程，力图做到每一步清晰明确和可复现。

跟着实践一遍，无论是模型理解程度还是Pandas运用的熟练度，都会蹭蹭往上蹿。

一、理论回顾

同期群分析是数据分析中一个hin经典的思维，核心是将用户按初始行为的发生时间，划分为不同的群组，进而分析相似群组的行为如何随时间变化而变化。

一般是通过像这样的留存表来实现：

每一行，代表当月新增客户，在接下来几个月的留存情况。

通过横向对比，能够对客户留存和生命周期有初步的认识。基于纵向观察，可以发现不同期客户，留存情况的差异，以反推该期引入的客户是否精准。

这个表看起来简单明晰，也有一些成熟的工具能够实现，但是，真要基于订单数据用Python来实现，还是要绞一番脑汁的。

二、数据概览

首先，导入订单数据，顺带看一看源数据长什么样子：

这是一份小z杂货铺的数据，比炒粉高级那么一些。后续分析会用到的关键字段有客户昵称，付款时间，订单状态和支付金额。

再查看数据量和缺失情况：

订单共计42713行，除付款时间外，其他都是完整的（不含缺失值）。

格式整体规整，付款时间为datetime格式，购买金额和数量则是数值型。

三、数据清洗

清洗的重点在于搞清楚为什么会有那么多付款时间是缺失的。我们先筛选出付款时间为空值的行，一探究竟：

貌似，缺失付款时间的数据，订单状态主要是“交易失败”。这里做一个初步推断，之所以缺失付款时间，是因为没有产生实际交易。

果然，缺失付款时间的订单都是“交易失败”状态，而完整的数据则是“交易成功”。

接下来，只需要筛选出交易成功的订单就好：

40339行数据，就是同期群分析的主战场。

四、思路剖析

再让最开始的留存表刷一下存在感：

直接思考怎么样一次性生成这张表，着实费头发。更合理的方式是用搭积木的思维来拆解这张表。

这张表的每一行，代表一个同期群，而他们的本质逻辑是一样的。

• 首先计算出当月新增的客户数，并记录客户昵称
• 然后拿这部分客户，分别去和后面每个月购买的客户做匹配，并统计有多少客户出现复购（留存）

只要我们计算出每个月的新增客户和对应留存情况，把这些数据拼接在一起，就得到了梦寐以求的同期群留存表。

五、单月实现

循着上一步的思路，问题变得简单起来，实现一个月的计算逻辑，其他月份套用即可。

杂货铺的数据时间维度和上面的留存表不太一样，因为不涉及到时间序列，用字符串形式的“年-月”标签更加方便：

订单源数据是从19年9月开始，到2020年2月。我们以2019年10月的数据为样板，实现单行的同期群分析。

显而易见，2019年10月份一共有7336位客户，购买了8096笔订单。

接下来，我们要计算的是每个月的新增客户数，这个新增，是需要和之前的月份遍历匹配来验证的，2019年10月之前的客户就是2019年9月的数据：

和历史数据做匹配，验证并筛选出2019年10月新增的客户数：

然后，和10月之后每个月的客户昵称进行匹配，计算出每个月的留存情况：

把最开始的当月新增客户加入到列表：

2019年10月新增客户7083位，次月（11月）留存539人，随后有所降低，而到了2020年2月留存回购客户数较上月有小幅上升。

其他月份的新增和留存计算分析逻辑，也是如此。

六、遍历合并

上一步我们以2019年10月为样板，先根据历史订单，匹配出当月纯新增客户，接着再以月的维度，对后续每个月的客户进行遍历，验证客户留存数量。

为了便于循环，我们引入了月份列表：

完整代码和关键注释如下：

#引入时间标签
month_lst = order['时间标签'].unique()
final = pd.DataFrame()
for i in range(len(month_lst) - 1):
    #构造和月份一样长的列表，方便后续格式统一
    count = [0] * len(month_lst)
    #筛选出当月订单，并按客户昵称分组
    target_month = order.loc[order['时间标签'] == month_lst[i],:]
    target_users = target_month.groupby('客户昵称')['支付金额'].sum().reset_index()
    #如果是第一个月份，则跳过（因为不需要和历史数据验证是否为新增客户）
    if i == 0:
        new_target_users = target_month.groupby('客户昵称')['支付金额'].sum().reset_index()
    else:
        #如果不是，找到之前的历史订单
        history = order.loc[order['时间标签'].isin(month_lst[:i]),:]
        #筛选出未在历史订单出现过的新增客户
        new_target_users = target_users.loc[target_users['客户昵称'].isin(history['客户昵称']) == False,:]
    #当月新增客户数放在第一个值中
    count[0] = len(new_target_users)
    #以月为单位，循环遍历，计算留存情况
    for j,ct in zip(range(i + 1,len(month_lst)),range(1,len(month_lst))):
        #下一个月的订单
        next_month = order.loc[order['时间标签'] == month_lst[j],:]
        next_users = next_month.groupby('客户昵称')['支付金额'].sum().reset_index()
        #计算在该月仍然留存的客户数量
        isin = new_target_users['客户昵称'].isin(next_users['客户昵称']).sum()
        count[ct] = isin
    #格式转置
    result = pd.DataFrame({month_lst[i]:count}).T
    #合并
    final = pd.concat([final,result])
final.columns = ['当月新增','+1月','+2月','+3月','+4月','+5月']

当当当当！顺利得到了我们预期的数据。

不过，真实数据是留存率形式体现，再稍做加工即可：

终于，大功告成！实现了我们所希望的同期群分析表。简单扫两眼，可以发现：

• 横向观察，次月流失严重，表现最好的月份次月留存也只有12%，随后平稳降低，稳定在6%左右。
  
• 纵向对比，2019年当月新增客户最少，仅有2042位，但人群相对精准，留存率表现优于其他月份。
  
• ...
  

由于篇幅有限，可视化的部分就留给旁友们自己去实践咯~