黑色星期五(通过消费者行为进行销售研究)

背景描述：关于零售商店中黑色星期五的55万个观测数据集。它包含不同类型的数字或分类变量,包含缺失值。

1、理解数据 数据包含538K行，12列。各列含义如下:User_ID 用户ID

Product_ID 产品ID

Gender 用户性别

Age 年龄分布

Occupation 占用

City_Category 城市类别A，B，C

Stay_In_Current_City_Years 在当前城市停留的年数(0,1,2,3,4+)

Marital_Status 婚姻情况(0未婚，1已婚)

Product_Category_1 产品分类1

Product_Category_2 产品分类2

Product_Category_3 产品分类3

Purchase 购买金额(美元)

1、提出问题：

根据数据提炼出4个指标：

(1、客单价

(2、城市类别消费占比

(3、主要消费人群(分类标准包括年龄，性别，婚姻状况)

#导入需要的包

import pandas as pd

import numpy as np

from pandas import DataFrame as df

#读取csv数据，数据类型‘object’

BlackFridayDf = pd.DataFrame.from_csv('E:/Jupyter/black-friday/BlackFriday.csv',index_col=None)

#df.frame_csv默认将第一列设为索引，参数index_col=Mone可以设置无索引

C:\anaconda\lib\site-packages\ipykernel_launcher.py:2: FutureWarning: from_csv is deprecated. Please use read_csv(...) instead. Note that some of the default arguments are different, so please refer to the documentation for from_csv when changing your function calls

#查看文件大小

BlackFridayDf.shape

(537577, 12)

#查看各列数据类型

BlackFridayDf.dtypes

User_ID int64

Product_ID object

Gender object

Age object

Occupation int64

City_Category object

Stay_In_Current_City_Years object

Marital_Status int64

Product_Category_1 int64

Product_Category_2 float64

Product_Category_3 float64

Purchase int64

dtype: object

2数据清洗

1、选择子集

删去占用及产品序列

#选取需要的列重新定义DF

BlackFridayDf = BlackFridayDf.loc[:,['User_ID','Product_ID','Gender','Age','City_Category','Stay_In_Current_City_Years','Marital_Status','Purchase']]

BlackFridayDf.head()

2、不需要重命名列名

3、处理缺失数据

print('删除前大小：',BlackFridayDf.shape)

删除前大小： (537577, 8)

BlackFridayDf = BlackFridayDf.dropna()

print('删除后大小：',BlackFridayDf.shape)

删除后大小： (537577, 8)

文件大小并没有变化，说明Kaggle上的这份数据还是很规整的。

4、数据类型转换(本案例无需转换)，合规性检查

#BlackFridayDf['User_ID'] = BlackFridayDf['User_ID'].astype('object')

#将User_ID列数据类型转换为‘Object’型

#数据合理性检查，purchase值需大于0

BlackFridayDf.describe()

3、构建模型

第一个指标

客单价=总消费金额/消费次数

总消费次数：同一天内，同一个人发生的所有消费算作一次消费 根据列名User_ID，如果值相同，只保留1条，将重复的数据删除

kpi1_Df = BlackFridayDf.drop_duplicates(subset='User_ID')

#总消费次数=行数

Total = kpi1_Df.shape[0]

print('总消费次数：',Total)

总消费次数： 5891

Total_Purchase = kpi1_Df.loc[:,'Purchase'].sum()

print('总消费金额=',Total_Purchase)

总消费金额= 58858381

kpi1 = Total_Purchase//Total

print('客单价 =%.0f$' %kpi1)

客单价 = 9991 $

第二个指标

统计城市类别人均消费占比

#复制数据

group_Df = kpi1_Df

group_Df = group_Df.reset_index(drop=True)

group_Df.head()

#分组

gb=group_Df['Purchase'].groupby(group_Df['City_Category'])

gb

变量gb是一个GroupBy对象，它实际上还没有进行任何计算，只是含有一些有关分组键df['Purchase']的中间数据而已，然后我们可以调用GroupBy的mean方法来计算分组平均值

gb.mean()

City_Category

A 10047.071770

B 10040.603398

C 9945.804715

Name: Purchase, dtype: float64

三个数据很接近，可见城市类别对人均消费金额影响不大

第三个指标

主要消费人群(从年龄，性别，婚姻状况三个角度分析)

groupby函数仍感觉有一些繁琐；我用习惯了Excel的数据透视表功能，想能不能再python中也使用类似的函数。 查阅资料后发现，df.pivot_table()函数就是数据透视表啦！

#查询函数用法

df.pivot_table?

#透视年龄与消费金额

kpi1_Df.pivot_table(index=['Age'],values=['Purchase'],aggfunc=(np.mean,np.sum,np.count_nonzero))可以看出，26-35年龄区间的消费次数最多，客单价也是最高的；整体基本呈正态分布；

#接着利用透视观察性别和消费金额的联系

kpi1_Df.pivot_table(values='Purchase',index='Gender',aggfunc=(np.mean,np.sum,np.count_nonzero))没想到吧！男士的消费次数远远多于女士的消费次数！均值也比女士要大！回到现实中分析，可能是男士都黑五买礼物送心爱的女士吧~

#接着利用透视观察婚姻状况和消费金额的联系

kpi1_Df.pivot_table(values='Purchase',index='Marital_Status',aggfunc=(np.mean,np.sum,np.count_nonzero))未婚人士的消费次数更多！金额也更大！

#接着利用透视观察性居住年限和消费金额的联系

kpi1_Df.pivot_table(values='Purchase',index='Stay_In_Current_City_Years',aggfunc=(np.mean,np.sum,np.count_nonzero))发现刚搬来城市一年多的人会更倾向于在黑五消费，购买商品

结论：刚搬来城市1年多，年龄在26-35岁之间的的未婚男士消费次数更多，金额也更大，消费能力相对来说是最强的。

总结：业务知识薄弱，无法找到更多关键指标，需加强业务知识的了解；

统计知识薄弱，无法从更多维度对数据进行分析，需要学习统计方面的知识；

代码需要多多联系，代码敲一遍可能理解了，但是需要多练习才能熟练运用；

分析的过程更多是基于业务知识和统计知识来展开的，有了明确的指标定义和方法，学习python会更加有效。