美女 “十八” 变，服装看到见
人靠衣装，马靠鞍；鲁迅说：“好看的姑娘有两种：一种是长的好看，一种是穿的好看”。年龄的差异与气质变化，在服装选择上可以显而易见。基于2万多条女性用户的服装购买记录，一起探索女性年龄与服装选择的别样色彩。
一生中我们选择的服装类型，大部分都在下图中可以找到。结尾的结论也是很亮眼；对女性来说，岁月无情，愿美丽仍在。
下图是部分数据预览：女性服装的商业交易数据，其中包含年龄，标题，评分，服装类型等一些数据，这里只显示部分列名。
这里选择 age, tag(服装类型的标签)两列数组，我们需要对年进行分组。数据曲线基本上符合正态分布，年龄区间在[25-99]。75岁以上的数据量很少，有离群状态，这里直接过滤掉不做分析。
根据经典的人生7年的周期来对年龄进行分组。
#用sqldf分析
tagd <- sqldf("select age,count(1) as cnt from wd group by age")
ggplot(tagd, aes(age, cnt ,colour=age,scales="free"))+geom_line()
summary(tagd$age)
Min. 1st Qu. Median Mean 3rd Qu. Max.
18.00 37.00 56.00 56.14 75.00 99.00
数据年龄分组：
#分组可以随意
agetag<-sqldf("select tt as age, tag, count(1) as cnt from tagd group by age, tag")
# 对应分析函数需要宽数据，这里将长数据转为宽数据
library(tidyr)
long2short = spread(agetag,key=tag,value=cnt)
#删除你不想要的列
shortd<-long2short[,-which(names(long2short)%in%c("V1"))]
#用0来替代NA值
shortd[is.na(shortd)] <- 0
对应分析开始闪亮登场喽：
rownames(shortd) <- c('18-25', '25-32', '32-39', '39-46', '46-53', '53-60', 'other')
juzheng<-shortd[,-which(names(shortd)%in%c("age","Fine gauge", "Pants", "Sleep", "Swim", "Trend", "Casual bottoms"))]
library(ca)
options(digits=3)
brand.ca=ca(juzheng)
#输出相关矩阵（主成分的思想）
plot(brand.ca)
新发现：从对应分析的可视化图中，我们有理由得到如下结论：
1，随着年龄的变化，女性的服装选择有明显的变化，适合的年龄穿适合的衣服是成熟的一种体现。
2，只有年轻的女孩，才有可能选择 ：贴身衬裙（ntimates,Chemises），彰显年轻的气息；
3，18-25岁，25-32岁 都喜欢选择：Legwear, Shorts, Layering;
4，32-39岁大众的选择：Skirts(半身裙)，Lounge(休闲)，Dresses(洋装)，也是这就是职场女性的常态着装之选吧。
5，随着年龄的增大，女性的选择越来越少，也许服装的市场的主力军永远属于年轻的女性吧；选择的风格也比较稳重，也许容颜易老，不需要太多成本的服装艳妆了吧。
愿所有女性，不管是女儿，妻子，母亲永远美丽，永远开心。
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。
原始发表：2020-04-13，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
腾讯云开发者
