Python 实现帕累托，漏斗，雷达图

前言

用 Python 中的 pyecharts 库实现帕累托图，转化漏斗图，RFM 客户分类以后的雷达图。

可收藏当做模板使用，先来看看实现效果：

帕累托

帕累托分析法或巴雷托分析法、柏拉图分析、主次因分析法 、平常也称之为「80 对 20」规则，即二八法则。

现在我们有一份商品销售数据，包含店名，风格，品类，销售日期，销售额等字段。

我们以品类，销售额，使用帕累托分析法分析出销售额主要来源于哪部分 80% 的商品。

先读取数据：

首先需要以商品进行分组计算，计算出每种商品的累计销售额，再以销售额降序排序。

因为需要计算累计占比，所以需要计算所有商品的销售额总和。

增加一列计算累计销售额占比，增加一列标记到此类商品时，销售额占比是否达到 80%，处理代码如下：

在得到绘制帕累托图的数据后，可以开始绘制了，以商品为横坐标，销售额与累计占比为纵坐标，即双坐标轴，销售额以柱状图显示，并且累计销售额占比达到 80% 的以另一种一色区分，累计占比以折线图显示

绘制代码有点长，还用到了 js 代码，就不贴了，完成后以后只需要修改数据就可以快速得到了：

漏斗转化

转化漏斗模型，是分析用户使用某项业务时，经过一系列步骤转化效果的方法。

转化分析的本质是为了促进企业的核心业务的流通，最大化每个营销漏斗的转化率。

在理想情况下，用户会沿着产品设计的路径到达最终目标事件，但实际情况是用户的行为路径是多种多样。

通过埋点事件配置关键业务路径，可以分析多种业务场景下转化和流失的情况，不仅找出产品潜在问题的位置，还可以定位每个环节流失用户，进而定向营销促转化。

现在有一份电商数据，用户行为数据，从浏览到交易成功数据，以此数据绘制每个行为阶段转化情况。

浏览商品-搜索-添加购物车-下单-付款-交易成功，每个环节的的转化率=此阶段人数/上一阶段人数。

导入数据：

计算每个阶段的总人数，增加一列，每个阶段对应上一阶段的人数，最后计算每个阶段的转化率：

最后绘制转化漏斗图，每个阶段的标签可以看到对应百分比及对应人数：

RFM

RFM 分析是美国数据库营销研究所提出的一种简单实用客户分析方法，发现客户数据中有三个神奇的要素：

最近一次消费时间（R）：客户距离最近的一次采购时间的间隔。

最近一段时间内消费频次（F）：指客户在限定的期间内所购买的次数。

最近一段时间内消费金额（M）:客户的消费能力，通常以客户单次的平均消费金额作为衡量指标。

RFM 分析就是通过三个关键指标对客户进行观察和分类，判断每类细分用户的价值。针对不同的特征的客户进行相应的营销策略。

现在有一份数据，包含客户消费时间，金额，名称，导入数据：

导入数据后根据以上三个指标进行计算，先计算每条消费记录离现在的天数，再以每个用户计算最小天数，累计消费，消费次数，即每个用户的 RFM。

再计算平均 R，F，M 的值，大于平均的标记 1，最后可以得到 8 种分类，以此结果分组计算计算每种类别客户的三个指标的平均值：

最后绘制雷达图：