Kaggle | 女士电子商务服装数据分析
@Author：By Runsen
原文：https://maoli.blog.csdn.net/article/details/104461970
电商数据分析，是一个数据信息收集很多的数据行业。对电商数据进行分析意味着有更大的可能向市场进军。
数据集摘要：女士电子商务服装数据分析
链接：https://www.kaggle.com/nicapotato/womens-ecommerce-clothing-reviews
一、简介
该数据集包括23486行和10个特征变量。每行对应一个客户评论，并包含以下变量：
- **服装ID：**整数分类变量，指的是要查看的特定作品。
- **年龄：**评论者年龄的正整数变量。
- **标题：**评论标题的字符串变量。
- 评论文本：评论正文的字符串变量。
- **评分：**客户授予的产品评分的正序整数变量，从1最差，到5最佳。
- **推荐的IND：**二进制变量，说明客户在推荐1的地方推荐产品，不推荐0的地方。
- **积极的反馈计数：**积极的整数，记录发现该评论为积极的其他客户的数量。
- **高级部门名称：**产品高级部门的分类名称。
- **部门名称：**产品部门名称的分类名称。
- **类名称：**产品类名称的分类名称。
中文名称 | 英文名称 |
|---|---|
服装ID | Clothing ID |
年龄 | Age |
标题 | Title |
评论文本 | Review Text |
评分： | Rating |
推荐的IND | Recommended IND |
积极的反馈计数 | Positive Feedback Count |
高级部门名称 | Division Name |
部门名称 | Department Name |
类名称 | Class Name |
二、数据读取
1、数据处理环境
pandas：pandas是基于NumPy的一种工具，该工具是为了解决数据分析任务而创建的。Pandas纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
Matplotlib：Matplotlib就是Python绘图库中的佼佼者，它包含了大量的工具，你可以使用这些工具创建各种图形（包括散点图、折线图、直方图、饼图、雷达图等），Python科学计算社区也经常使用它来完成数据可视化的工作。
Seaborn：Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。
2、数据读取方法
pandas库支持csv和excel的操作；使用的是pd.read_csv的函数
导入numpy,seaborn``matplotlib和pandas读取Womens Clothing E-Commerce Reviews.csv
参数：index_col=0——第一列为index值
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
df = pd.read_csv("Womens Clothing E-Commerce Reviews.csv", index_col=0)
查看df.head
查看df.info
从df.info可以存在缺失数据，只需要通过df.dropna()对缺失数据进行删除即可
df = df.dropna()
df.info()
查看df.describe
数据中的Rating,Recommended,INDPositive Feedback Count的std`标准差都比较小，说明数据分布程度上比较集中
三、 数据分析
1、哪个年龄组给出了哪些类型的评分？
绘制年龄柱状图
只需要简单通过plt.hist方法来画出相对用的柱状图
plt.hist(df['Age'], color="green", label = "Age")
plt.legend()
plt.xlabel("Age")
plt.ylabel("Count")
plt.title("Age Distribution in Data")
我们可以从图片看出：数据中的顾客大部分集中于30到50之间，属于成年人较多
绘制不同年龄的评价等级图
sns.boxplot是sns中的箱型图
plt.figure(figsize=(10,10))
sns.boxplot(x = 'Rating', y = 'Age', data = df)
在图中可以看出评分分布比较均匀
2、每个部门、推荐什么服装？
查看Division Name,Department Name和'Class Name的唯一值
print(df['Division Name'].unique())
print(df['Department Name'].unique())
print(df['Class Name'].unique())
将Recommended IND推荐产品为1，不推荐0的数据分开
rd = df[df['Recommended IND'] == 1] # recommended
nrd = df[df['Recommended IND'] == 0] # not recommended
rd.head()
下面绘制不同部门商品的推荐和不推荐叠加柱状图
plt.figure(figsize=(15,8))
plt.xticks(rotation=45)
plt.hist(rd['Department Name'], color="green", alpha = 0.5, label = "Recommended")
plt.hist(nrd['Department Name'], color="yellow", alpha = 0.5, label = "Not Recommended")
plt.legend()
plt.title("Recommended Items in each Department")
从图中看出：绿色的面积相对于黄色的面积大好几倍，说明大部分部门都可以推荐服装商品
下面绘制部门不同商品的推荐和不推荐叠加柱状图
plt.figure(figsize=(15,10))
plt.hist(rd['Class Name'], color="blue", alpha = 0.5, label = "Recommended")
plt.hist(nrd['Class Name'], color="cyan", alpha = 0.5, label = "Not Recommended")
plt.title("Recommended Items in each Class")
plt.xticks(rotation=45)
plt.legend()
plt.show()
从图中看出：并不是卖最多的Knits商品推荐成功率最大
3、哪个年龄段的人对什么样的衣服发表什么样的评论
df['Review Length'] = df['Review Text'].astype(str).apply(len)
df.head()
绘制单Review Length变量分布
单变量分布的最方便的方法是sns.distplot()功能。默认情况下，这将绘制直方图并拟合核密度估计（KDE）
fig = plt.figure(figsize=(15, 8))
ax = sns.distplot(df['Review Length'], color="blue")
ax = plt.title("Length of Reviews")
看出大部分人评论的长度都基本在500
绘制不同年龄段的人Review Length变量分布
plt.figure(figsize=(20,10))
sns.boxplot(x = 'Age', y = 'Review Length', data = df)
4、评分与正面反馈计数
plt.figure(figsize=(10,10))
sns.boxplot(x = 'Rating', y = 'Positive Feedback Count', data = df)
图中可以看出评分在3以上的正面反馈的计数大
四、词云评论可视化
词云是一种数据可视化技术，用于表示文本数据，其中每个单词的大小表示其出现的频率或重要性。可以使用词云突出显示重要的文本数据点。词云被广泛用于分析来自社交网络网站的数据。
1、清理数据
import re
def clean_data(text):
letters_only = re.sub("[^a-zA-Z]", " ", text)
words = letters_only.lower().split()
return( " ".join( words ))
2、加载停用词
from wordcloud import WordCloud, STOPWORDS
stopwords= set(STOPWORDS)|{'skirt', 'blouse','dress','sweater', 'shirt','bottom', 'pant', 'pants' 'jean', 'jeans','jacket', 'top', 'dresse'}
def create_cloud(rating):
x= [i for i in rating]
y= ' '.join(x)
cloud = WordCloud(background_color='white',width=1600, height=800,max_words=100,stopwords= stopwords).generate(y)
plt.figure(figsize=(15,7.5))
plt.axis('off')
plt.imshow(cloud)
plt.show()
3、等级是5的词云
rating5= df[df['Rating']==5]['Review Text'].apply(clean_data)
create_cloud(rating5)
3、等级是4的词云
rating4= df[df['Rating']==4]['Review Text'].apply(clean_data)
create_cloud(rating4)
4、等级是3的词云
rating3= df[df['Rating']==3]['Review Text'].apply(clean_data)
create_cloud(rating3)
5、等级是2的词云
rating2= df[df['Rating']==2]['Review Text'].apply(clean_data)
create_cloud(rating2)
6、等级是1的词云
rating1= df[df['Rating']==1]['Review Text'].apply(clean_data)
create_cloud(rating1)
腾讯云开发者
