python商品打折问题_利用Python“解剖”双11商家打折套路

数据初览

我们的原始数据是2016年双11美妆产品的活动及销售数据，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。

项目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。

项目实操

导入模块提前导入Python可能用到的相关模块。

import pandas as pd

import matplotlib.pyplot as plt

import numpy as np

import warnings

warnings.filterwarnings('ignore')

from bokeh.plotting import figure,show,output_file

from bokeh.models import ColumnDataSource

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

# 1.读取数据

import os

os.chdir(r'E:\打折套路分析')

df = pd.read_excel('双十一淘宝美妆数据.xlsx',sheet_name = 0)

df.fillna(0,inplace = True)

我们对原始数据做一些处理，将其变为易于观察处理的形式，将日期数据提取出来并改为索引。再次查看更改后的中间表data1 。

#加载日期，提取销售日期

df.index = df['update_time']

df['date'] = df.index.daydata1 = df[['id','title','店名','date']]

我们要了解双11活动中这些商品有哪些促销活动，共活动了几天。

#统计不同商品的销售开始和截止日期

d1 = data1[['id','date']].groupby(by = 'id').agg(['min','max'])['date']

双十一当天在售的商品占比情况，找出在双11当天在售的商品明细。

#统计双十一当天售卖的商品id

id_11 = data1[data1['date'] == 11]['id']

d2 = pd.DataFrame({'id':id_11,

'双十一当天是否售卖':True})

计算双11当天参加活动商品占比并得出结论

#合并数据

id_data = pd.merge(d1,d2,left_index=True,right_on='id',how = 'left')

id_data.fillna(False,inplace=True)

n = len(d1)

n_11 = len(d2)

n_pre = n_11 / n

print('双十一当天参与活动的商品有%i个，占比为%.2f%%'%(n_11,n_pre*100))

双十一当天参与活动的商品有2336个，占比为66.70%。约1/3的商品在双11当天并没有上架销售，只是在利用双11的热度在进行商品促销。

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。

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

#3.商品销售节奏分类

id_data['type'] = '待分类'

id_data['type'][(id_data['min']<11) & (id_data['max']>11)] = 'A'

id_data['type'][(id_data['min']<11) & (id_data['max']==11)] = 'B'

id_data['type'][(id_data['min']==11) & (id_data['max']>11)] = 'C'

id_data['type'][(id_data['min']==11) & (id_data['max']==11)] = 'D'

id_data['type'][id_data['双十一当天是否售卖'] == False] = 'F'

id_data['type'][id_data['max']<11] = 'E'

id_data['type'][id_data['min']>11] = 'G'

然后再观察一下这个中间表（尽量每做一个中间表都先去看看是否有问题）。

分类可视化，做饼图。

# 计算不同类别的商品数量

result1 = id_data['type'].value_counts()

#result1 = result1.loc[['A','B','C','D','E','F','G']]

from bokeh.palettes import brewer

colori = brewer['Greens'][7]

plt.axis('equal')

plt.pie(result1,labels = result1.index,

autopct = '%.2f%%',colors = colori,

startangle=90,radius=2,counterclock=False)

从饼图可以看出来，正常一直在售并参与双11活动的商品占比只有50%左右，而且有24%的商品在双十一前停止了销售，为什么会的出这么奇怪的比例呢，我们继续分析。

我们来分析没参加双十一当天活动的这些商品去向如何，经过思考也对其做个分类。

con1 → 暂时下架（F）

con2 → 重新上架（同一个id可能有不同title，也就是换个名头重新上架）

con3 → 预售（预售商品的title中包含“预售”二字）

con4 → 彻底下架，可忽略

#4.未参与双十一当天活动商品去向如何

id_not11 = id_data[id_data['双十一当天是否售卖'] == False]

# 找到双十一当天未参与活动的商品的对应的原始数据

df_not11 = id_not11[['id','type']]

data_not11 = pd.merge(df_not11,df,on = 'id',how = 'left')

#筛选出暂时下架的商品

id_con1 = id_data['id'][id_data['type'] == 'F'].values

#筛选出重新上架商品

data_con2 = data_not11[['id','title','date']].groupby(by=['id','title']).count()

title_count = data_con2.reset_index()['id'].value_counts()

id_con2 = title_count[title_count > 1].index

#筛选出预售商品

data_con3 = data_not11[data_not11['title'].str.contains('预售')]

id_con3= data_con3['id'].value_counts().index

print('未参与双十一当天活动的商品中，有%i个为暂时下架商品，

有%i个为重新上架商品，有%i个为预售商品'

%(len(id_con1),len(id_con2),len(id_con3)))

未参与双十一当天活动的商品中，有242个为暂时下架商品，有110个为重新上架商品，有453个为预售商品

参加双十一活动的品牌及其商品数量的分布

真正参加活动的商品 = 双十一当天在售的商品 + 预售商品，我们按不同品牌分类，找到各个品牌真正参加活动的商品的数量和所占比例。

#5.真正参与双十一当天活动的商品及品牌情况

#真正参与双十一当天活动的商品 = 双十一当天在售商品 + 预售商品（可以尝试接过去重）

id_11sale_final = np.hstack((id_11,id_con3))

result2_i = pd.DataFrame({'id':id_11sale_final})

#不同品牌参与双十一当天活动的数量

x1 = pd.DataFrame({'id':id_11})

x1_df = pd.merge(x1,df,on = 'id',how = 'left')

brand_11sale = x1_df.groupby('店名')['id'].count()

#不同品牌预售的数量

x2 = pd.DataFrame({'id':id_con3})

x2_df = pd.merge(x2,df,on='id',how = 'left')

brand_ys = x2_df.groupby('店名')['id'].count()

#最终结果

result2_data = pd.DataFrame({'当天参与活动商品数量':brand_11sale,

'预售商品数量':brand_ys})

result2_data['总量'] = result2_data['当天参与活动商品数量'] + result2_data['预售商品数量']

result2_data.sort_values('总量',inplace = True,ascending = False)

拿到数据后绘图。

from bokeh.models import HoverTool

from bokeh.core.properties import value

lst_brand =result2_data.index.tolist()

lst_type = result2_data.columns.tolist()[:2]

colors = ['red','green']

result2_data.index.name = 'brand'

result2_data.columns = ['sale_on11','presell','sum']

source = ColumnDataSource(result2_data)

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

('双十一当天参与活动商品数量','@sale_on11'),

('预售商品数量','@presell'),

('真正参与双十一商品总数','@sum')

])

output_file('参与双十一活动品牌数量.html')

p = figure(plot_width = 800,plot_height = 300,

title = '各商品参与双十一说动情况',

#tools = [hover,'reset,xwheel_zoom,pan,crosshair']

)

p.vbar_stack(lst_type,x = 'presell',source = source,

width = 0.8,color = colors,alpha = 0.7,

legend = [value(x) for x in lst_type],

muted_color = 'black',muted_alpha = 0.2

)

show(p)

针对每个商品，评估其打折情况

筛选并加工数据。

data2 = df[['id','title','店名','date','price']]

#pd.cut() 左开右闭区间

data2['period'] = pd.cut(data2['date'],[4,10,11,14],

labels = ['双十一前','双十一当天','双十一后'])

# 2。针对每个商品，评估打折情况

#筛选出是否打折数量

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

price.reset_index(inplace=True)

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

id_type1 = id_count[id_count == 1].index

id_type2 = id_count[id_count != 1].index

#3.针对打折商品，折扣率是多少

result3_data1 = data2[['id','price','period','店名']].groupby(['id','period']).min()

result3_data1.reset_index(inplace=True)

result3_data1.dropna(axis = 0,inplace = True)

result3_before11 = result3_data1[result3_data1['period'] == '双十一前']

result3_at11 = result3_data1[result3_data1['period'] == '双十一当天']

#折扣率

result3_data2 = pd.merge(result3_before11,result3_at11,on = 'id',how = 'inner')

result3_data2['zkl'] = result3_data2['price_y'] / result3_data2['price_x']

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_data2[['id','zkl']]

bokeh_data['zkl_range'] = pd.cut(bokeh_data['zkl'],bins=np.linspace(0,1,21))

bokeh_data2 = bokeh_data.groupby('zkl_range').count()

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

#计算折扣区间占比情况

bokeh_data2['zkl_pre'] = bokeh_data2['zkl'] / bokeh_data2['zkl'].sum()

bokeh_data2.index = bokeh_data2.index.astype('str')

source1 = ColumnDataSource(bokeh_data2)

lst_zkl = bokeh_data2.index.tolist()

hover1 = HoverTool(tooltips = [('折扣率','@zkl_pre')])

p1 = figure(x_range = lst_zkl,plot_width = 900,plot_height = 350,

title = '商品折扣率统计',

tools = [hover1,'pan,reset,xwheel_zoom,crosshair'],

)

p1.line(x = 'zkl_range',y = 'zkl_pre',source = source1,line_color = 'black',line_dash = 'dotted')

p1.circle(x = 'zkl_range',y = 'zkl_pre',source = source1,size = 8,color = 'red',alpha = 0.8,

legend = '折扣率')

#p1.legend.click_policy = 'mute'

show(p1)

分析上图，我们可以看到商品折扣率主要集中在五折和九折，二者共占50%以上，而且打折商品数量占比很小。

#4.按照品牌分析打折力度

from bokeh.transfrom import jitter

brand = result3_data2['店名_x'].unique().tolist()

bokeh_data3 = result3_data2[['id','zkl','店名_x']]

bokeh_data3['zkl'] = bokeh_data3['zkl'][bokeh_data3['zkl'] < 0.96]

source2 = ColumnDataSource(bokeh_data3)

output_file('不同品牌打折力度.html')

hover2 = HoverTool(tooltips = [('折扣率','@zkl')])

p2 = figure(y_range = brand,plot_width = 900,plot_height = 750,

title = '不同品牌的折扣情况',

tools = [hover2,'pan,reset,xwheel_zoom,crosshair'])

p2.circle(x = 'zkl',

y = jitter('店名_x',width = 0.7,range = p2.y_range),

source = source2,alpha = 0.3)

show(p2)

分析上图，我们可以看到实际打折率高的商品主要集中在国产几个品牌，相本宜草和佰草集打折商品最多。而国外一些大牌例如兰芝，SKII等几乎不打折。所以想要在双11捡大牌的童鞋可以打消这个念头了。

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

#3.套路分析

# 筛选不同品牌的折扣情况

data_zk = result3_data2[result3_data2['zkl']<0.95]

result4_zkld = data_zk.groupby('店名_y').mean()['zkl']

n_dz = data_zk['店名_y'].value_counts()

n_zs = result3_data2['店名_y'].value_counts()

result4_dzspbl = pd.DataFrame({'打折商品数':n_dz,

'商品总数':n_zs})

result4_dzspbl['参与打折商品比例'] = result4_dzspbl['打折商品数'] / result4_dzspbl['商品总数']

result4_dzspbl.dropna(inplace=True)

result4_sum = result2_data.copy()

#合并数据

result4_data = pd.merge(pd.DataFrame(result4_zkld),result4_dzspbl,left_index = True,right_index = True)

result4_data = pd.merge(result4_data,result4_sum,left_index = True,right_index = True)

划分四个象限，利用bokeh制图

#bokeh，制图

from bokeh.models.annotations import Span,Label,BoxAnnotation

bokeh_data4 = result4_data[['zkl','sum','参与打折商品比例']]

bokeh_data4.columns = ['zkl','amount','pre']

bokeh_data4['size'] = bokeh_data4['amount'] * 0.03

source4 = ColumnDataSource(bokeh_data4)

output_file('各品牌双十一打折情况.html')

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

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

hover4 = HoverTool(tooltips = [

('品牌','@index'),

('折扣率','@zkl'),

('商品总数','@amount'),

('参与打折商品比例','@pre')

])

p4 = figure(plot_width = 600,plot_height = 600,

title = '各品牌双十一打折情况',

tools = [hover4,'pan,reset,wheel_zoom,crosshair,box_select'])

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

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

)

p4.xgrid.grid_line_dash = [6,4]

p4.ygrid.grid_line_dash = [6,4]

# 绘制辅助线

x = Span(location = x_mean,dimension = 'height',line_color = 'red',line_alpha = 0.8,line_width = 3)

y = Span(location = y_mean,dimension = 'width',line_color = 'red',line_alpha = 0.8,line_width = 3)

p4.add_layout(x)

p4.add_layout(y)

#第一象限

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

label1 = Label(x = 0.7,y = 0.78,text = '大量少打折',text_font_size = '10pt')

p4.add_layout(bg1)

p4.add_layout(label1)

#第二象限

bg2 = BoxAnnotation(bottom = y_mean,right = x_mean,fill_alpha = 0.1,fill_color = 'olive')

label2 = Label(x = 0.2,y = 0.78,text = '少量少打折',text_font_size = '10pt')

p4.add_layout(bg2)

p4.add_layout(label2)

#第三象限

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

label3 = Label(x = 0.2,y = 0.55,text = '少量大打折',text_font_size = '10pt')

p4.add_layout(bg3)

p4.add_layout(label3)

#第四象限

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

label4 = Label(x = 0.7,y = 0.55,text = '大量大打折',text_font_size = '10pt')

p4.add_layout(bg4)

p4.add_layout(label4)

show(p4)

通过上图我们可以分析出

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

通过这个项目，我们可以看到双11商家套路多多，我们要理性消费，管好自己的钱包哦。

python商品打折问题_利用Python“解剖”双11商家打折套路相关推荐

python post请求上传图片_利用python模拟实现POST请求提交图片的方法
本文主要给大家介绍的是关于利用python模拟实现POST请求提交图片的方法,分享出来供大家参考学习,下面来一看看详细的介绍: 使用requests来模拟HTTP请求本来是一件非常轻松的事情,比如上传 ...
python实现邮件客户端_利用python实现简单的邮件发送客户端示例
脚本过于简单,供学习和参考.主要了解一下smtplib库的使用和超时机制的实现.使用signal.alarm实现超时机制. #!/usr/bin/env python # -*- coding: ut ...
python制作图片墙_利用python生成照片墙的示例代码
PIL(Python Image Library)是python的第三方图像处理库,但是由于其强大的功能与众多的使用人数,几乎已经被认为是python官方图像处理库了.其官方主页为:PIL. PIL历 ...
python分析每月销售数据_利用Python进行某单品销售数据分析
本篇文章将利用Python工具对一份某商品的销售数据进行如下几个方面的分析,结合业务场景,构件常用业务指标,以从销售数据中挖掘出其潜在的商业价值,促进运营.用户消费趋势分析: 用户个体消费分析: 用户 ...
python处理nc数据_利用python如何处理nc数据详解
利用python如何处理nc数据详解来源:中文源码网浏览: 次日期:2018年9月2日 [下载文档: 利用python如何处理nc数据详解.txt ] (友情提示:右键点上行txt ...
python制作电脑软件_利用PYTHON制作桌面版爬虫软件（一）
抱歉,对长沙房地产数据的挖掘与分析[三],想了蛮久,觉得对自己的分析结果不是很理想.等我完善好了,我再发出来吧.今天继续开启新的一专题.主要讲解如何用PYTHON实现简单的桌面软件的制作. 题外话,我 ...
python计算面积代码_利用Python求阴影部分的面积实例代码
利用Python求阴影部分的面积实例代码来源:中文源码网浏览: 次日期:2019年11月5日 [下载文档: 利用Python求阴影部分的面积实例代码.txt ] (友情提示:右键点 ...
python销售数据分析方法_利用Python进行某单品销售数据分析
本篇文章将利用Python工具对一份某商品的销售数据进行如下几个方面的分析,结合业务场景,构件常用业务指标,以从销售数据中挖掘出其潜在的商业价值,促进运营.用户消费趋势分析: 用户个体消费分析: 用户 ...
python账单查询软件_利用Python批量识别电子账单数据的方法
这篇文章主要介绍了利用Python批量识别电子账单数据的方法,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下一.前言有一定数量类似如下截图所示的账单,利用 ...

python商品打折问题_利用Python“解剖”双11商家打折套路

python商品打折问题_利用Python“解剖”双11商家打折套路相关推荐

最新文章

热门文章