E-Commerce-Data-Mining basierend auf maschinellem Lernen |

Dieser Artikel stammt aus dem öffentlichen WeChat-Konto „Youerhut“, verfasst von Youerhut. Um diesen Artikel erneut zu drucken, wenden Sie sich bitte an das öffentliche Youerhut-Konto.

Hallo zusammen, ich bin Peter~

Ich habe kürzlich ein Stück E-Commerce-Daten zu IC-Elektronikprodukten erhalten und werde später Datenanalyse und Mining zu drei Themen durchführen:

1. Phase 1: Basierend auf Pandas, Numpy, Matplotlib, Seaborn, Plotly und andere Bibliotheken
2. Zweite Stufe: Benutzerporträtanalyse basierend auf dem Clustering-Algorithmus für maschinelles Lernen und dem RFM-Modell
3. Dritte Stufe: Marken-, Produkt- und Produktkategorie-Korrelations-Mining basierend auf dem Assoziationsregelalgorithmus

Dieser Artikel ist die erste Stufe . Der Hauptinhalt umfasst:

• Datenvorverarbeitung
• Datenexploration EDA
• Multi-Angle-Vergleichsanalyse

Importbibliothek

In [1]:

import pandas as pd
import numpy as np

import time
import os
from datetime import datetime
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
#设置中文编码和负号的正常显示
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

import plotly_express as px
import plotly.graph_objects as go

import missingno as ms

from sklearn.cluster import KMeans
from sklearn.preprocessing import MinMaxScaler

Grundlegende Dateninformationen

Daten lesen

df = pd.read_csv(
"ic_sale.csv",
 encoding="utf-8",# 指定编码
 cnotallow={"order_id":str,"product_id":str,"category_id":str,"user_id":str} # 指定字段类型
)
df.head()

Die Rolle des Konverterparameters: Die mehreren ID-Felder in den Daten sind alle Zahlen, die in der CSV- oder Excel-Datei als Zahlen behandelt werden (ausgedrückt in wissenschaftlicher Notation); im Wesentlichen handelt es sich um „Zeichenfolgen“. „Informationen gibt es nicht.“ irgendeine Bedeutung. Sie müssen beim Lesen den Typ angeben.

Basisinformationen

Überprüfen Sie nach dem Einlesen die Basisinformationen der Daten:

In [3]:

# 1、数据shape

df.shape

Out[3]:

(564169, 11)

In [4]:

# 2、数据字段类型

df.dtypes

Out [4 ]:

event_timeobject
order_idobject
product_idobject
category_id object
category_code object
brand object
pricefloat64
user_id object
ageint64
sex object
local object
dtype: object

In [5]:

Beschreibende Statistiken gelten für numerische Felder:

# 3、数据描述统计信息

df.describe()

Out[5]:

208.269324std

Preis

Alter: 564169,000000

33.184388

304.559875 0... 50 %

87,940000

33,000000

75 %

277,750000

42.000000

max

18328.680000

50.000000

In [6]:

# 4、总共多少个不同客户

df["user_id"].nunique()

Out[6]:

6908

In [7]:

# 5、总共多少个不同品牌

df["brand"].nunique()

Out[7]:

868

In [8]:

# 6、总共多少个订单

df["order_id"].nunique()

Out[8]:

234232

In [9]:

# 7、总共多少个产品

df["product_id"].nunique()

Out[9]:

3756

数据预处理

数据筛选

从描述统计信息中发现price字段的最小值是0，应该是没有成交的数据；我们选择price大于0的信息：

In [10]:

df = df[df["price"] > 0]

缺失值处理

缺失值情况

In [11]:

df.isnull().sum()

Out[11]:

event_time0
order_id0
product_id0
category_id 0
category_code129344
brand 27215
price 0
user_id 0
age 0
sex 0
local 0
dtype: int64

可以看到缺失值体现在字段：

• category_code：类别
• brand：品牌

In [12]:

ms.bar(df,color="blue")# 缺失值可视化

plt.show()

缺失值填充

In [13]:

df.fillna("missing",inplace=True)

In [14]:

df.isnull().sum()# 填充之后无缺失值

Out[14]:

event_time 0
order_id 0
product_id 0
category_id0
category_code0
brand0
price0
user_id0
age0
sex0
local0
dtype: int64

时间字段处理

字段类型转化

读进来的数据中时间字段是object类型，需要将其转成时间格式的类型

In [15]:

df["event_time"][:5] # 处理前

Out[15]:

02020-04-24 11:50:39 UTC
12020-04-24 11:50:39 UTC
22020-04-24 14:37:43 UTC
32020-04-24 14:37:43 UTC
42020-04-24 19:16:21 UTC
Name: event_time, dtype: object

In [16]:

# 去掉最后的UTC
df["event_time"] = df["event_time"].apply(lambda x: x[:19])

In [17]:

# 时间数据类型转化：字符类型---->指定时间格式

df['event_time'] = pd.to_datetime(df['event_time'], format="%Y-%m-%d %H:%M:%S")

字段衍生

In [18]:

# 提取多个时间相关字段

df['month']=df['event_time'].dt.month
df['day'] = df['event_time'].dt.day
df['dayofweek']=df['event_time'].dt.dayofweek
df['hour']=df['event_time'].dt.hour

In [19]:

df["event_time"][:5] # 处理后

Out[19]:

0 2020-04-24 11:50:39
1 2020-04-24 11:50:39
2 2020-04-24 14:37:43
3 2020-04-24 14:37:43
4 2020-04-24 19:16:21
Name: event_time, dtype: datetime64[ns]

可以看到字段类型已经发生了变化

整体趋势分析

分析1：每月成交金额多少？

In [20]:

amount_by_month = df.groupby("month")["price"].sum().reset_index()
amount_by_month

Out[20]:

	month	price
0	1	1953358.17
1	2	2267809.88
2	3	2897486.26
3	4	1704422.41
4	5	7768637.79
5	6	7691244.33
6	7	16354029.27
7	8	27982605.44
8	9	17152310.57
9	10	19765680.76
10	11	11961511.52

In [21]:

fig = px.scatter(amount_by_month,x="month",y="price",size="price",color="price")

fig.update_layout(height=500, width=1000, title_text="每月成交金额")

fig.show()

可以看到：

• 8月份是整个销售的顶峰
• 下半年的整体销售会好于下半年

分析2：月订单量如何变化？

In [22]:

order_by_month = df.groupby("month")["order_id"].nunique().reset_index()
order_by_month

Out[22]:

	month	order_id
0	1	10353
1	2	11461
2	3	12080
3	4	9001
4	5	30460
5	6	289 78
6	7	57659
7	8	73897
8	9	345
9	10	14
10	11	6

In [23]:

fig = px.line(order_by_month,x="month",y="order_id")

fig.update_layout(height=500, width=1000, title_text="每月成交订单量")

fig.show()

关于订单量：

• 从1到8月份是一个逐渐上升的趋势；尤其是4到8月份；可能是五一假期或者暑假、开学季引起的
• 9、10月份订单量陡降：开学之后销量下降快

分析3：月消费人数/人次如何变化？

In [24]:

# nunique：对每个user_id进行去重：消费人数
# count：统计user_id 的次数；消费人次（存在一人多次购买）

people_by_month = df.groupby("month")["user_id"].agg(["nunique","count"]).reset_index()
people_by_month

Out[24]:

	month	nunique	count
0	1	1388	15575
1	2	1508	17990
2	3	1597	18687
3	4	1525	11867
4	5	3168	40332
5	6	3966	41355
6	7	5159	76415
7	8	6213	100006
8	9	5497	70496
9	10	4597	104075
10	11	3134	67332

In [25]:

fig = px.line(people_by_month,x="month",y="nunique")

fig.update_layout(height=500, width=1000, title_text="每月成交人数")

fig.show()

fig = px.line(people_by_month,x="month",y="count")

fig.update_layout(height=500, width=1000, title_text="每月成交人次")

fig.show()

分析4：每月订单价多少？

In [27]:

amount_by_month# 每月成交金额

Out[27]:

	month	price
0	1	1953358.17
1	2	2267809.88
2	3	2897486.26
3	4	1704422.41
4	5	7768637.79
5	6	7691244.33
6	7	16354029.27
7	8	27982605.44
8	9	17152310.57
9	10	19765680.76
10	11	11961511.52

In [28]:

order_by_month# 每月订单数

Out[28]:

	month	order_id
0	1	10353
1	2	11461
2	3	12080
3	4	9001
4	5	30460
5	6	289 78
6	7	57659
7	8	73897
8	9	345
9	10	14
10	11	6

In [29]:

amount_by_userid = pd.merge(amount_by_month,order_by_month)

amount_by_userid

Out[29]:

	month	price	order_id
0	1	1953358.17	10353
1	2	2267809.88	11461
2	3	2897486.26	12080
3	4	1704422.41	9001
4	5	776 8637,79	30460
5	6	7691244.33	28978
6	7	16354029.27	57659
7	8	27982605.44	73897
8	9	17152310.57	345
9	10	19765680,76	14
10	11	11961511.52	6

In [30]:

amount_by_userid["average"] = amount_by_userid["price"] / amount_by_userid["order_id"]

amount_by_userid

fig = px.line(amount_by_userid,x="month",y="average")

fig.update_layout(height=500, width=1000, title_text="每月客单价")

fig.show()

从上面的折线图可以看出来：

1. 1到8月份月订单量基本持平；可能是有很多批量的订单；通过量大带来利润：量的路线
2. 9到10月份：月单价急剧上升；订单量少，但是金额；可能存在大额消费的用户：质的路线

分析5：每个订单包含多少产品

In [32]:

product_by_order = df.groupby("order_id")["product_id"].count().reset_index().sort_values("product_id",ascending=False)

product_by_order.head(10)

Out[32]:

	order_id	product_id
234208	2388440981134640000	15021
234210	2388440981134660000	14891
234211	2388440981134670000	14845
234212	2388440981134680000	14765
234202	2388409811345800	14587
234205	2388440981134610000	14571
234207	2388440981134630000 0
234203	2388440981134590000	14194

In [33]:

fig = px.bar(product_by_order[:20],
 x="order_id",
 y="product_id",
 text="product_id"
)

fig.show()

一个订单下包含的产品数量是不同；上万的订单可能是小型的ic元器件产品。

不同省份对比

分析6：订单量、用户量和成交金额对比

不同省份下的订单量、用户量和成交金额对比

In [34]:

local = df.groupby("local").agg({"order_id":"nunique","user_id":"nunique","price":sum}).reset_index()
local.head()

Out[34]:

	local	order_id	user_id	price
0	上海	39354	5680	19837942.20
1	北京	38118	5702	19137748.75
2	Sichuan	13396	3589	6770891.28
3	Tianjin	13058	3497	6433736.85
4	guangdong	51471	6085	260 13770.86

In [35]:

df1 = local.sort_values("order_id",ascending=True)# 订单量升序
df1

Out[35]:

1305834966479488.147hainan1307635876968674.412schichuan 13396358919137748.75#🎜 🎜# #🎜 🎜#

local

order_id

user_id

price

6

浙江

12790

3485

6522657.59

8

湖北

12810

3488

5993820.57

3

天津

13058

6770891,28

6357286.87

9

Hunan

13879

3481

6983078,88 702

0

上海

39354

5680# 🎜🎜 #

19837942.20

4

#🎜🎜 ##🎜🎜 #

广东

51471

6085

26013770.86

In [36]:

fig = px.pie(df1, names="local",labels="local",values="price")

fig.update_traces(
textpositinotallow="inside",
textinfo="percent+label"
)

fig.show()

无疑：广东省No.1

每个省份的订单量对比：

fig = px.bar(df1,x="order_id",y="local",orientatinotallow="h")

fig.show()

# 整体的可视化效果

fig = px.scatter_3d(local,
x="order_id",
y="user_id",
z="price",
color="order_id",
hover_name="local"
 )

fig.show()

通过3D散点图我们发现：广东省真的是一骑绝尘！

• 订单量多；订单金额也大：主打搞钱
• 除去北上广，湖南和江苏的用户群是最多的，有前景

分析7：不同省份的客户钟爱哪些品牌？

In [39]:

local_brand = df.groupby(["local","brand"]).size().to_frame().reset_index()

local_brand.columns = ["local","brand","number"]# 修改字段名

local_brand

# 根据local和number进行排序
local_brand.sort_values(["local","number"],ascending=[True,False],inplace=True,ignore_index=True)
local_brand = local_brand[local_brand["brand"] != "missing"]
# 每个local下面最受欢迎的前3个品牌
local_brand = local_brand.groupby("local").head(3)
local_brand

fig = px.bar(local_brand,
 x="brand",
 y="number",
 color="number",
 facet_col="local")

fig.update_layout(height=500,width=1000)

fig.show()

看来大家都很喜欢: samsung 、apple、ava

不同时间对比

分析8：下单时间对比

In [43]:

df.columns

Out[43]:

Index(['event_time', 'order_id', 'product_id', 'category_id', 'category_code',
 'brand', 'price', 'user_id', 'age', 'sex', 'local', 'month', 'day',
 'dayofweek', 'hour'],
dtype='object')

In [44]:

df2 = df.groupby("dayofweek")["order_id"].nunique().reset_index()
df2

Out[44]:

315554# 🎜 🎜#

In [45]:

plt.figure(figsize=(12,7))

df2["order_id"].plot.bar()

plt.xticks(range(7),['周一','周二','周三','周四','周五','周六','周日'],rotatinotallow=0)
plt.xlabel('星期')
plt.ylabel('订单量')
plt.title('订单数随星期变化')

plt.show()

分析9：每小时订单量

In [46]:

df3 = df.groupby("hour")["order_id"].nunique().reset_index()
df3.head(10)

Out[46]:

	dayofweek	order_id
0	0	35690
1	1	34256
2	2	#31249 🎜🎜 #
	#🎜 🎜 # 4	33010
5# 🎜 🎜#	5	34772
6	6	33922 #🎜🎜 ## 🎜🎜#

	hour	order_id
0	0	2865
1	1	2711
2	2	3981
3	3	6968
4	4	12176
5	5	16411
6	6	18667
7	7	20034
8	8	20261
9	9	20507

In [47]:

plt.figure(figsize=(14,8))
df3["order_id"].plot()

plt.xlabel('小时')
plt.ylabel('订单数量')
plt.title('订单随小时数变化')

plt.grid()
plt.show()

用户都喜欢在上午8、9、10点下单；可能是刚开始上班工作，大家更积极

不同用户消费行为分析

分析10：消费次数和消费金额

In [48]:

df4 = df.groupby("user_id").agg({"order_id":"nunique", "price":sum})

fig = px.scatter(df4,
x="order_id",
y="price",
color="price",
size="price")

fig.show()

• 同时存在低频高额和高频高额用户

分析11：用户消费周期

In [50]:

# 用户消费周期

# shift函数：移动一个单位

purchase_time=df.groupby('user_id').apply(lambda x: x['event_time'] - x['event_time'].shift()).dt.days
purchase_time

Out[50]:

user_id
151591562543995000096014NaN
1515915625440030000374760 NaN
 48492735.0
1515915625440050000463812 NaN
 473430 1.0
 ... 
1515915625514880000564132 0.0
 564143 0.0
 564164 0.0
1515915625514890000564158 NaN
 564165 0.0
Name: event_time, Length: 564130, dtype: float64

In [51]:

purchase_time[purchase_time>0].describe()

Out[51]:

count120629.000000
mean 35.494500
std 663.803583
min 1.000000
25% 2.000000
50% 4.000000
75%12.000000
max 18466.000000
Name: event_time, dtype: float64

说明：

1. 至少消费两次的用户的消费周期是4天
2. 有75%的客户消费周期在12天

分析12：用户复购行为

In [52]:

pivoted_counts = df.pivot_table(index='user_id',
 columns='month',
 values='order_id',
 aggfunc='nunique').fillna(0)

pivoted_counts

Out[52]:

pivoted_counts_map.sum() / pivoted_counts_map.count()

# 结果
month
1 0.406340
2 0.439655
3 0.474640
4 0.700328
5 0.829861
6 0.792990
7 0.891452
8 0.920328
9 0.781153
100.609963
110.419592
dtype: float64

(pivoted_counts_map.sum()/pivoted_counts_map.count()).plot(figsize=(12,6))

plt.xticks(range(11),columns_month)

plt.title('复购率')
plt.show()

• 复购的高峰期在4、6、9月份
• 10月份开始，销售开始冷淡；复购急降

Das obige ist der detaillierte Inhalt vonE-Commerce-Data-Mining basierend auf maschinellem Lernen |. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!