python商品打折问题_电商打折套路分析 —

电商打折套路分析

——2016天猫双十一美妆数据分析

数据简介

此次分析的数据来自于城市数据团对2016年双11天猫数据的采集和整理，原始数据为.xlsx格式

包括update_time/id/title/price/店名，共5个字段，其中id为商品的唯一标识，店名为品牌名。

分析工具

主要使用了Python中的Pandas库进行数据处理，利用matplotlib绘制分析图表，利用bokeh进行了可视化展示。

当前使用版本：Python 3.6.5 |Anaconda, Inc.| (default, Mar 29 2018, 13:32:41) [MSC v.1900 64 bit (AMD64)]

说明

本次数据分析主要供学习使用，目的在于熟悉Python及相关库，同时练习数据分析的思维方式。

本次分析主要基于描述性统计，暂不包含预测模型。

文字说明会涉及实现的具体细节，而不仅是分析结果的展示。

bokeh制图为交互式图表，此处截图展示

数据每日只采集一次，对于一日之内的变化无法进行分析

分析目标

商品销售时间分析统计出商品总数和品牌总数

计算双十一当天在售商品占比

未参与双十一当天活动的商品，双十一之后的去向

参加双十一活动的品牌及其商品数量的分布

价格折扣分析针对每个商品，分析其价格变化，判断是否打折

针对在打折商品，计算其折扣率

按照品牌分析，不同品牌的打折力度

分析商家打折套路

构建商品id/品牌的汇总表商品id资料表格

品牌汇总资料表格

假打折商品详情

正文

相关模块导入

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt%matplotlib inlineimportseaborn as snsimportwarnings

warnings.filterwarnings('ignore')#不发出警告

from bokeh.io importoutput_notebook

output_notebook()#导入notebook绘图模块

from bokeh.plotting importfigure,showfrom bokeh.models importColumnDataSource#导入图表绘制、图标展示模块#导入ColumnDataSource模块

import os

加载数据和数据预处理

设置工作路径，pandas导入数据

检查数据是否有缺失值

检查数据类型

对数据进行基本预处理

查看数据

#加载数据

data = pd.read_excel('双十一淘宝美妆数据.xlsx')

data[data.isnull().values==True].drop_duplicates#检查缺失值

data.dtypes#查看数据类型

data.index= data['update_time']

data['date'] =data.index.day#Series没有.day方法，利用index做了一步转换

data= data.drop('update_time', axis = 1)

data.reset_index(inplace=True)

data.rename(columns= {'店名': 'brand'}, inplace =True)

data.head()

Part1 商品销售时间分析

统计出商品总数和品牌总数

计算双十一当天在售商品占比

未参与双十一当天活动的商品，双十一之后的去向

参加双十一活动的品牌及其商品数量的分布

统计商品总数和品牌总数：

data1 = data[['id','title', 'brand', 'price', 'date']]

items_num= len(data1['id'].unique())

brands_num= len(data1['brand'].unique())print('商品总数为: %d' %items_num)print('品牌总数为: %d' %brands_num)

得到商品总数：3502，品牌总数：22

计算双十一当天在售商品占比：

items_at11 = data1[data1['date'] == 11].drop_duplicates()

items_at11_num=len(items_at11)

precentage_11= items_at11_num /items_numprint('双十一当天在售商品占比为: %.2f%%' %(precentage_11 * 100))

得到双十一当天在售商品占比为：66.68%，约1/3的商品在双十一当天没有上架

商品销售情况分类

为了分析没参加双十一的产品去向，我们首先对所有商品id依据其上架时间进行分类。

根据date字段，统计每件商品的最早和最迟销售时间；再统计双11当天是否销售；最后进行分类。

A. 11.11前后及当天都在售 → 一直在售

B. 11.11之后停止销售 → 双十一后停止销售

C. 11.11开始销售并当天不停止 → 双十一当天上架并持续在售

D. 11.11开始销售且当天停止 → 仅双十一当天有售

E. 11.5 - 11.9 → 双十一前停止销售

F. 仅11.11当天停止销售 → 仅双十一当天停止销售

G. 11.12开始销售 → 双十一后上架

H. 11.10下架 → 可能11.11售罄以后单独分析

#分析商品最早/最迟销售时间，及双11当天销售情况

data_sellrange = data1.groupby('id')['date'].agg(['min', 'max'])

id_at11= data1[data1['date'] == 11]['id']

data_temp1= pd.DataFrame({'id': id_at11, 'on11sale': True})

data1_id= pd.merge(data_sellrange, data_temp1, left_index = True, right_on = 'id', how = 'left')

data1_id.fillna(False, inplace=True)

data1_id['type'] = 'unclassified'data1_id=data1_id.reset_index()

data1_id= data1_id.drop('index', 1)

data1_id.head()#分类

data1_id =data1_id.reset_index()

data1_id= data1_id.drop('index', 1)

data1_id['type'][(data1_id['min'] < 11) & (data1_id['max'] > 11)] = 'A'data1_id['type'][(data1_id['min'] < 11) & (data1_id['max'] == 11)] = 'B'data1_id['type'][(data1_id['min'] == 11) & (data1_id['max'] > 11)] = 'C'data1_id['type'][(data1_id['min'] == 11) & (data1_id['max'] == 11)] = 'D'data1_id['type'][data1_id['on11sale'] == False] = 'F'

#此时的F还包括E/H的情况

data1_id['type'][data1_id['max'] < 10] = 'E'data1_id['type'][data1_id['min'] > 11] = 'G'data1_id['type'][data1_id['max'] == 10] = 'H'data1_id[data1_id['type'] == 'unclassified']#检查分类是否完备

#分类的可视化

result1 = data1_id['type'].value_counts()#用于可视化的数据命名为result

result1 = result1.loc[['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H']]#用于调整Series中Index的顺序

plt.rcParams['font.sans-serif']=['SimHei']#用来正常显示中文标签

plt.axis('equal')#保证长宽相等 --> 饼图为圆形

plt.pie(result1,labels = result1.index, autopct='%.2f%%',pctdistance=0.8,labeldistance =1.1,

startangle=90, radius=1.5,counterclock=False)#绘制饼图

未参与双十一活动的商品去向分析

暂时下架

改名上架

预售

未参与活动

#选择数据字段

id_not11 = data1_id[data1_id['on11sale'] ==False]

df_not11= id_not11[['id', 'type']]#此时没有title字段，需要找到data1合并

data1_not11 = pd.merge(df_not11, data1, how = 'left', on = 'id')

data1_not11.head()#case1 暂时下架

not11_case1 = data1_not11[data1_not11['type'] == 'F']['id'].drop_duplicates()

id_case1= not11_case1.reset_index().drop('index', 1)

id_case1['case1'] = 1

#.unique()出现numpy数组，drop_duplicates()返回Series

#case2 更名上架

not11_case2 = data1_not11.groupby(['id', 'title']).count().reset_index()#此时聚合的结果为每一个(id - title)对，对应的出现次数，即出现的日期和

title_count = not11_case2['id'].value_counts().reset_index()#计算id出现的次数，如果次数大于1，则说明商品更改过title#reset_index() 使原来index里的信息成为一个新的列

id_case2 = title_count[title_count['id'] > 1][['index']]

id_case2.columns= ['id']

id_case2['case2'] = 1

#case3 预售

not11_case3 = data1_not11[data1_not11['title'].str.contains('预售')]

id_case3= not11_case3['id'].drop_duplicates().reset_index().drop('index', 1)#.unique() 返回ndarray / .drop_duplicates() 返回Serise

id_case3['case3'] = 1

#case4 未参与活动

not11_case4 = data1_not11[(data1_not11['type'] == 'E') | (data1_not11['type'] == 'G')]['id'].drop_duplicates()

id_case4= not11_case4.reset_index().drop('index', 1)

id_case4['case4'] = 1

print("未参与双十一当天活动的商品中:\n暂时下架商品的数量为%i个，更名上架商品的数量为\

%i个，预售商品的数量为%i个，未参与活动商品数量为%i个" %(len(id_case1), len(id_case2), len(id_case3), len(id_case4)))

未参与双十一当天活动的商品中：

暂时下架商品的数量为242个，更名上架商品的数量为110个，预售商品数量为453个，未参与活动商品数量为200个

#查看没被分类的其他情况

id_not11_left = id_not11[['id', 'min', 'max', 'type']].reset_index()

id_not11_left= id_not11_left.drop('index', axis = 1)#id_not11_left['case'] = ''

id_not11_left = pd.merge(id_not11_left, id_case1, how = 'left', on = 'id')

id_not11_left= pd.merge(id_not11_left, id_case2, how = 'left', on = 'id')

id_not11_left= pd.merge(id_not11_left, id_case3, how = 'left', on = 'id')

id_not11_left= pd.merge(id_not11_left, id_case4, how = 'left', on = 'id')

id_not11_left=id_not11_left.fillna(0)

id_not11_left['left'] = id_not11_left['case1'] + id_not11_left['case2'] + id_not11_left['case3'] + id_not11_left['case4']

id_not11_others= id_not11_left[id_not11_left['left'] == 0][['id', 'min', 'max', 'type']]

id_not11_others.head()#未纳入分类的商品都是10日下架的，可能于双11当天售罄#暂时下架/更名上架/预售可能互相包含

参加双十一活动的品牌及其商品数量的分布

真正参与双十一活动的商品 = 双十一当天在售的商品 + 预售商品

对暂时下架/更名上架/售罄商品后续可以研究其价格变化再确定

绘制堆叠图进行可视化

id_at11 = id_at11.reset_index().drop('index', 1)

id_presell= id_case3[['id']]

id_11all= pd.concat([id_at11, id_presell], ignore_index =True)#筛选双十一当日在售商品和预售商品id

id_presell['presell'] =True

id_11all['11all'] =True

data1_id= pd.merge(data1_id, id_presell, how = 'left', on = 'id')

data1_id.fillna(False, inplace=True)

data1_id= pd.merge(data1_id, id_11all, how = 'left', on = 'id')

data1_id.fillna(False, inplace=True)

data1_brand= data1[['id', 'brand']].drop_duplicates()

data1_id= pd.merge(data1_id, data1_brand, on = 'id', how = 'left')#合并数据销售情况 id brand

data1_id.head()

data1_on11sale= data1_id[data1_id['on11sale'] ==True]

brand_on11sale= data1_on11sale.groupby('brand')['id'].count()

data1_presell= data1_id[data1_id['presell'] ==True]

brand_presell= data1_presell.groupby('brand')['id'].count()#统计各品牌双十一当天在售和预售商品数量

#利用bokeh绘制堆叠图

from bokeh.models importHoverToolfrom bokeh.core.properties importvalue

result2= pd.DataFrame({'on11sale': brand_on11sale,'presell': brand_presell})

result2['11all'] = result2['on11sale'] + result2['presell']

result2.sort_values(by= '11all', inplace = True, ascending =False)

lst_brand=result2.index.tolist()

lst_type= result2.columns.tolist()[:2]

colors= ["#718dbf" ,"#e84d60"]#设置好参数

result2.index.name= 'brand'

#重命名标签

source1 =ColumnDataSource(result2)#创建数据

hover1= HoverTool(tooltips = [('品牌', '@brand'),

('双十一当天参与活动商品数量', '@on11sale'),

('预售商品数量', '@presell'),

('参与双十一活动商品总数', '@11all')

])#设置标签显示内容#output_file('折扣商品数量.html')

p1= figure(x_range =lst_brand,

plot_width= 900, plot_height = 350,

title= '各个品牌参与双十一活动的商品数量分布',

tools= [hover1, 'reset, xwheel_zoom, pan, crosshair'])#构建绘图空间

p1.vbar_stack(stackers=lst_type,

x= 'brand', source =source1,

width= 0.9, color = colors, alpha = 0.8,

legend= [value(x) for x inlst_type],

muted_color= 'black', muted_alpha = 0.2)#绘制堆叠图

p1.xgrid.grid_line_color=None

p1.axis.minor_tick_line_color=None

p1.outline_line_color=None

p1.legend.location= "top_right"p1.legend.orientation= "horizontal"p1.legend.click_policy="mute"

#设置其他参数

show(p1)

补充品牌数据汇总

data1_brands =result2.copy()

brand_total_item= data1_brand.groupby('brand').count()

brand_total_item.columns= ['total_items']

data1_brands= pd.merge(data1_brands, brand_total_item, left_index = True, right_index = True, how = 'outer')

data1_brands.head()

on11salepresell11alltotal_items

brand

SKII

佰草集

208

240

279

倩碧

144

193

211

兰芝

107

111

156

兰蔻

112

139

168

Part2 价格折扣分析

1. 针对每个商品，分析其价格变化，判断是否打折

2. 针对在打折商品，计算其折扣率

3. 按照品牌分析，不同品牌的打折力度

4. 分析商家打折套路

针对每个商品，评估其打折情况

真打折：商品的价格在10天内有波动，双11价格为10天内最低价，无提前涨价

假打折：双十一之前存在涨价现象

不打折：商品价格无变化

data2 = data[['id', 'title', 'brand', 'price', 'date']]

data2['period'] = pd.cut(data2['date'], [4, 10, 11, 14], labels = ['双十一前', '双十一当天', '双十一后'])#筛选数据

data2_price= data2[['id', 'price', 'period']].groupby(['id', 'period']).agg(['min', 'max'])

data2_price.reset_index(inplace=True)

data2_price.columns= ['id', 'period', 'min_price', 'max_price']#找到每个时段对应的最高和最低价格

data2_price_before11= data2_price[data2_price['period'] == '双十一前']#分析双十一之前的价格变化 --> 分析属于提前降价还是假打折(先涨价后降价)

data2_price_before11_diff = data2_price_before11[data2_price_before11['min_price'] != data2_price_before11['max_price']].reset_index().drop('index', 1)#找出双十一前价格变化的商品

diff_id = data2_price_before11_diff['id'].tolist()

data2_diffprice= pd.merge(data2, data2_price_before11_diff, on = 'id', how = 'left')#与原始数据合并，查看价格变化商品的具体情况

data2_diffpriceonly =data2_diffprice.dropna()

data2_diffpriceonly.drop('period_y', 1, inplace =True)#删除多余的列和缺失值

before11_diff= data2_diffpriceonly[data2_diffpriceonly['period_x'] != '双十一后'].reset_index().drop('index', 1)#只查看双十一之前和当天的数据

before_11diffprice = before11_diff.pivot_table(index = 'id', columns = 'date', aggfunc = {'price':min})#数据透视表

before_11diffprice.columns = [5, 6, 7, 8, 9, 10, 11]#列名改用数字，不用字符串，方便运算

def function(df, *colnums):

a=0for colnum incolnums:if df[colnum + 1] - df[colnum] > 0.1:

a= 1

returna

before_11diffprice['jdz'] = before_11diffprice.apply(lambda x: function(x, 5, 6, 7, 8, 9), axis = 1)#选择出涨价的商品在假打折列名标注1#只统计涨价1毛以上的#DataFrame.apply函数的应用，如果设置axis参数为1则每次函数每次会取出DataFrame的一行来做处理

jdz_num= before_11diffprice['jdz'].sum()#共有16件商品假打折

jdz_items = pd.merge(data1_id, before_11diffprice, on = 'id', how = 'right')

jdz_items= jdz_items[jdz_items['jdz'] == 1]

jdz_items= jdz_items[jdz_items['jdz'] == 1].reset_index().drop('index', 1)

jdz_id= jdz_items[['id', 'jdz']]#提取假打折商品id

jdz_items

观察数据可知

假打折商品的品牌集中于妮维雅和美加净(各6件)，美宝莲有1件

兰蔻有一件商品在双十一前涨价后，双十一当日下架

SKII和薇姿各有一件商品涨价后，双十一当天维持该价格

大牌套路深，深知法律风险，但这四件商品依旧被划分在假打折！

data2_nocheat = pd.merge(data2, jdz_id, on = 'id', how = 'left')

data2_nocheat['jdz'].fillna(0, inplace =True)

data2_nocheat=data2_nocheat[data2_nocheat.jdz.isin([0])]#根据列条件删除行使用.isin(),参数为列表，如选择不包含，前面加负号#提取非假打折商品

price= data2_nocheat[['id', 'price', 'period']].groupby(['id', 'price']).min()

price.reset_index(inplace=True)#针对每个商品做price字段的value值统计，查看价格是否有波动

id_count= price['id'].value_counts()

id_type1= id_count[id_count == 1].index#价格无波动，不打折

id_type2 = id_count[id_count != 1].index#价格变动

n1=len(id_type1)

n2=len(id_type2)print('真打折的商品数量约占比%.2f%%，不打折的商品数量约占比%.2f%%, 假打折的商品数量约占比%.2f%%' %\

(n2/items_num * 100, n1/items_num * 100, jdz_num/items_num * 100))#计算打折商品比例

真打折的商品约占比24.27%，不打折的商品数量约占比75.27%，假打折的商品约占0.46%

针对在打折商品，计算其折扣率

去除假打折商品

考虑双十一价格对比其前后的折扣率，主要考虑前折扣率

只计算九五折以上折扣

result3_pivot = data2_nocheat.pivot_table(index = 'id', columns = 'period', aggfunc = {'price': min})#数据透视可以一步到位，省却无数步骤

result3_pivot.columns = ['price_before11', 'price_on11', 'price_after11']

result3_pivot=result3_pivot.reset_index()

nocheat_idbrand= data2_nocheat[['id', 'brand']].drop_duplicates()

result3_final= pd.merge(result3_pivot, nocheat_idbrand, on = 'id').reset_index().drop('index', 1)#与品牌名合并

result3_final['qzkl'] = result3_final['price_on11'] / result3_final['price_before11']

result3_final['hzkl'] = result3_final['price_on11'] / result3_final['price_after11']#计算商品的前后折扣率

result3_on11=result3_final.dropna()#筛选出双十一销售商品的折扣率

result3_zk = result3_on11[result3_on11['qzkl'] < 0.96].reset_index()#筛选出真打折的商品

result3_zk.head()

indexidprice_before11price_on11price_after11brandqzklhzkl

A10027317366

188.0

159.00

258.0

相宜本草

0.845745

0.616279

A10847151685

180.0

125.99

240.0

佰草集

0.699944

0.524958

A12455538031

79.0

69.00

79.0

美宝莲

0.873418

A12591129422

189.0

179.00

250.0

玉兰油

0.947090

0.716000

A12620798148

238.0

219.00

260.0

玉兰油

0.920168

0.842308

## 用bokeh绘制折线图：x轴为折扣率，y轴为商品数量占比## 商品折扣率统计，每个折扣区间与总打折商品占比

bokeh_data = result3_zk[['id', 'qzkl']]

bokeh_data['zkl_range'] = pd.cut(bokeh_data['qzkl'], bins = np.linspace(0, 1, 21))#创建折扣率区间

bokeh_data2= bokeh_data.groupby('zkl_range').count().iloc[:-1]

bokeh_data2['zkl_pre'] = bokeh_data2['qzkl'] / bokeh_data2['qzkl'].sum()#将数据按照折扣率拆分为不同区间，并统计不同1扣率的商品数量

bokeh_data2= bokeh_data2.reset_index().drop('id', axis = 1)

bokeh_data2.dtypes#查看bokeh_data2数据类型，zkl_range类型为category --> str

bokeh_data2['zkl_range'] = bokeh_data2['zkl_range'].astype(str)#bokeh_data2['zkl_range'] = list(map(str,bokeh_data2['zkl_range']))

bokeh_data2.head()#output_file('商品折扣率统计折线图.html')

source2=ColumnDataSource(bokeh_data2)

lst_zkl= bokeh_data2['zkl_range'].tolist()#此时列表中每个元素均为str

hover2= HoverTool(tooltips = [('折扣商品数量', '@qzkl')])

p2= figure(x_range =lst_zkl,

plot_width= 900, plot_height = 350,

title= '商品折扣率统计',

tools= [hover2, 'reset, xwheel_zoom, pan, crosshair'])#构建绘图空间

p2.line(x= 'zkl_range', y = 'zkl_pre', source =source2,

line_width= 2, line_alpha = 0.8, line_color = 'black', line_dash = [10, 4])

p2.circle(x= 'zkl_range', y = 'zkl_pre', source =source2,

size= 8, color = 'red', alpha = 0.8)

p2.xgrid.grid_line_color=None

p2.axis.minor_tick_line_color=None

p2.outline_line_color=None#设置其他参数

show(p2)

观察上图可知，商品折扣率主要集中在五折和九折，二者共占50%以上

根据商品id汇总数据

包括商品销售时间和价格折扣数据

result3_zk['zk'] = 1

#根据id汇总数据

jdz_merge = jdz_items[['id', 'jdz']]

result3_zk_merge= result3_zk[['id', 'zk']]

data2_id= pd.merge(result3_final, jdz_merge, on = 'id', how = 'outer')

data2_id['jdz'].fillna(0, inplace =True)

data2_id= pd.merge(data2_id, result3_zk_merge, on = 'id', how = 'outer')

data2_id['zk'].fillna(0, inplace =True)#整理商品id的折扣情况

data1_id=data1_id.drop_duplicates()#商品销售情况去重

data_id= pd.merge(data1_id, data2_id, on = 'id', how = 'outer')

data_id.drop('brand_y', axis = 1, inplace =True)

data_id.rename(columns= {'min': 'begin', 'max': 'end', 'brand_x': 'brand'}, inplace =True)#汇总商品id的全数据

data_id.head()

根据品牌汇总数据

包括品牌商品销售时间和价格折扣数据

计算品牌折扣商品比例

brand_zk_num = result3_zk.groupby('brand')[['id']].count()#品牌折扣商品数

brand_jdz_num = jdz_items.groupby('brand')[['id']].count()#品牌假打折商品数

brand_zk_num.columns = ['zk_num']

brand_jdz_num.columns= ['jdz_num']#重命名

brand_zkmean= result3_zk.groupby('brand')['price_before11', 'price_on11', 'price_after11', 'qzkl', 'hzkl'].mean()

brand_zkmean.columns= ['zkprice_before11', 'zkprice_on11', 'zkprice_after11', 'qzkl_mean', 'hzkl_mean']#品牌折扣商品价格、折扣率均值

brand_totalmean= data_id.groupby('brand')['price_before11', 'price_on11', 'price_after11'].mean()

brand_totalmean.columns= ['meanprice_before11', 'meanprice_on11', 'meanprice_after11']#品牌商品价格均值

data2_brands= pd.merge(brand_zk_num, brand_jdz_num, left_index = True, right_index = True, how = 'outer')

data2_brands= pd.merge(data2_brands, brand_totalmean, left_index = True, right_index = True, how = 'outer')

data2_brands.fillna(0, inplace=True)

data2_brands= pd.merge(data2_brands, brand_zkmean, left_index = True, right_index = True, how = 'outer')#汇总品牌价格折扣数据

data_brands= pd.merge(data1_brands, data2_brands, left_index = True, right_index = True, how = 'outer')#汇总品牌数据

data_brands['zk_pre'] = data_brands['zk_num'] / data_brands['total_items']#计算品牌折扣商品比例

data_brands

按照品牌分析，不同品牌的打折力度¶

利用bokeh绘制浮动散点图

y坐标为品牌名，x坐标为折扣力度

from bokeh.transform importjitter

brands=lst_brand.copy()#提取品牌列表

bokeh_data3= result3_final[['id', 'qzkl', 'brand']].dropna()

bokeh_data3= bokeh_data3[bokeh_data3['qzkl'] < 0.96]

source3=ColumnDataSource(bokeh_data3)#创建数据

#output_file('不同品牌折扣情况.html')

hover3= HoverTool(tooltips = [('折扣率', '@qzkl'),

('品牌', '@brand')])#设置标签显示内容

p3= figure(y_range = brands, plot_width = 800, plot_height = 600,

title= '不同品牌折扣情况',

tools= [hover3, 'box_select, reset, xwheel_zoom, pan, crosshair'])

p3.circle(x= 'qzkl',

y= jitter('brand', width = 0.7, range =p3.y_range),

source=source3,

alpha= 0.3)#jitter参数 → 'day'：第一参数，这里指y的值#width：间隔宽度比例，range：分类范围对象，这里和y轴的分类一致

show(p3)

分析商家打折套路

筛选各品牌的折扣商品比例和平均折扣率

划分四个象限，利用bokeh制图

bokeh_data4 = data_brands[['total_items', 'qzkl_mean', 'zk_pre']]

bokeh_data4['size'] = bokeh_data4['total_items'] * 0.2bokeh_data4.columns= ['amount', 'zkl', 'pre', 'size']

bokeh_data4.reset_index(inplace=True)#筛选出品牌商品总数，打折商品比例，平均折扣率#将点的大小设置为与商品总数有关

from bokeh.models.annotations importSpanfrom bokeh.models.annotations importLabelfrom bokeh.models.annotations importBoxAnnotation#导入注释相关模块

source4=ColumnDataSource(bokeh_data4)#创建ColumnDataSource数据

#output_file('各个品牌打折套路解析.html')

x_mean= bokeh_data4['pre'].mean()

y_mean= bokeh_data4['zkl'].mean()

hover4= HoverTool(tooltips = [('品牌','@brand'),

('折扣率','@zkl'),

('商品总数','@amount'),

('参与打折商品比例','@pre')])

p4= figure(plot_width = 800, plot_height = 800,

title= '各个品牌打折套路解析',

tools= [hover4,'box_select,reset,wheel_zoom,pan,crosshair'])#构建绘图空间

p4.circle_x(x= 'pre', y = 'zkl', source = source4, size = 'size',

fill_color= 'red', line_color = 'black', fill_alpha =0.6,

line_dash= [8,3])

p4.ygrid.grid_line_dash= [6,4]

p4.xgrid.grid_line_dash= [6,4]

x= Span(location=x_mean, dimension='height', line_color='green',line_alpha = 0.7, line_width=1.5, line_dash = [6,4])

y= Span(location=y_mean, dimension='width', line_color='green',line_alpha = 0.7, line_width=1.5, line_dash = [6,4])

p4.add_layout(x)

p4.add_layout(y)#绘制辅助线

bg1= BoxAnnotation(bottom=y_mean, right=x_mean,fill_alpha=0.1, fill_color='olive')

label1= Label(x=0.0, y=0.60,text="少量大打折",text_font_size="10pt")

p4.add_layout(bg1)

p4.add_layout(label1)#绘制第一象限

bg2= BoxAnnotation(bottom=y_mean, left=x_mean,fill_alpha=0.1, fill_color='firebrick')

label2= Label(x=0.35, y=0.60,text="大量大打折",text_font_size="10pt")

p4.add_layout(bg2)

p4.add_layout(label2)#绘制第二象限

bg3= BoxAnnotation(top=y_mean, right=x_mean,fill_alpha=0.1, fill_color='firebrick')

label3= Label(x=0.0, y=0.80,text="少量少打折",text_font_size="10pt")

p4.add_layout(bg3)

p4.add_layout(label3)#绘制第三象限

bg4= BoxAnnotation(top=y_mean, left=x_mean,fill_alpha=0.1, fill_color='olive')

label4= Label(x=0.35, y=0.80,text="大量少打折",text_font_size="10pt")

p4.add_layout(bg4)

p4.add_layout(label4)#绘制第四象限

show(p4)

打折套路解析

少量大打折：雅诗兰黛、兰蔻、薇姿、悦诗风吟、欧珀莱

大量少打折：欧莱雅、玉兰油、美宝莲、妮维雅、蜜丝佛陀、美加净

大量大打折：自然堂、相宜本草、佰草集

不打折：SKII、倩碧、兰芝、娇兰、植村秀、资生堂、雅漾、雪花秀

假打折现象：妮维雅和美加净各有6件商品

Part3 汇总表格导出

商品id资料表格

品牌汇总资料表格

假打折商品详情

#商品id资料表格

data_id_ch =data_id.copy()

data_id_ch.columns= ['最早上架', '最迟上架', '商品id', '双十一当天售卖', '销售时间分类',\'是否预售', '预售+双11当天', '品牌', '双十一前价格', '双十一当天价格',\'双十一之后价格', '前折扣率', '后折扣率', '假打折', '真打折']

data_brands_ch=data_brands.copy()

data_brands_ch.columns= ['双十一当日商品数', '预售商品数', '双十一商品总数', '商品总数',\'真打折商品数', '假打折商品数', '双十一前均价', '双十一当天均价',\'双十一之后均价', '打折商品双十一前均价', '打折商品双十一均价',\'打折商品双十一之后均价', '平均前折扣率', '平均后折扣率',\'折扣商品占比']

jdz_items_ch=jdz_items.copy()

jdz_items_ch.columns= ['最早上架', '最迟上架', '商品id', '双十一当天售卖', '销售时间分类',\'是否预售', '预售+双11当天', '品牌', '5日价格', '6日价格', '7日价格',\'8日价格', '9日价格', '10日价格', '11日价格', '假打折']

data_id_ch.to_excel('商品id资料表格.xlsx')

data_brands_ch.to_excel('品牌汇总资料表格.xlsx')

jdz_items_ch.to_excel('假打折商品详情.xlsx')

data_id.to_excel('data_id.xlsx')

data_brands.to_excel('data_brands.xlsx')

jdz_items.to_excel('jdz_items.xlsx')

python商品打折问题_电商打折套路分析 —— Python数据分析练习相关推荐

mysql商品规格设计_[电商]我的商品规格设计思路
这部分的设计必然少不了会有商品.货品.规格.规格值表. 先说下我对四个表之间关系设计: 商品与货品是一对多的关系. 规格与规格值是一对多的关系. 就这两种关系,关系很清晰,其实我刚开始的设计是这样的: ...
java实现商品的分类_电商网站首页商品分类列表功能实现
首先我们看下这个功能实现的效果: 后期理解补充: 其实这个功能的关键点就是分析这个模块的数据格式怎么样的? 对于这种商品列表展示的功能: 我们思路如下: 第一:开始展示的都是顶级列表,即parentI ...
rostcm6情感分析案例分析_电商评论情感分析
并可以实现云图的可视化.7.2 R的实现这里需要安装几个必须包,因为有几个包安装比较复杂,这里给了链接http://blog.csdn.net/cl1143015 ... 82731大家可以参看这个博 ...
python注册人工智能专业_从专业程度上分析Python和人工智能（AI）它们如何相关？...
Python和人工智能(AI) - 它们如何相关? Python是当今开发人员使用的最流行的编程语言之一.Guido Van Rossum于1991年创建它,自成立以来,它一直是使用最广泛的语言之一, ...
电商打折套路分析 —— Python数据分析练习
电商打折套路分析 --2016天猫双十一美妆数据分析数据简介此次分析的数据来自于城市数据团对2016年双11天猫数据的采集和整理,原始数据为.xlsx格式包括update_time/id/tit ...
Python 数据分析微专业课程--项目07 电商打折套路解析
1.项目说明基于双十一淘宝美妆数据分析双十一期间各品牌化妆品的销售情况及打折情况,并分析个品牌化妆品的打折特点,分析其套路. 2.项目具体要求 1.从双十一淘宝美妆数据,分析出"各个品牌都 ...
数分笔记整理21 - 数据处理项目 - 城市餐饮店铺选址分析电商打折套路解析
[项目07] 城市餐饮店铺选址分析 ''' [项目07] 城市餐饮店铺选址分析1.从三个维度"口味"."人均消费"."性价比"对不同菜系进行 ...
爬取电商平台数据，python爬取某维商品数据
本次内容: 爬取电商平台数据,python爬取某维商品数据课程亮点动态数据抓包演示 json数据解析 requests模块的使用保存csv 环境介绍 python 3.8 [最好用和老师一样的版 ...
python电商项目介绍_电商大数据项目-推荐系统实战（一）
本项目是基于Spark MLLib的大数据电商推荐系统项目,使用了scala语言和java语言.基于python语言的推荐系统项目会另外写一篇博客.在阅读本博客以前,需要有以下基础: 1.linux的 ...

python商品打折问题_电商打折套路分析 —— Python数据分析练习

python商品打折问题_电商打折套路分析 —— Python数据分析练习相关推荐

最新文章

热门文章