kaggle实战-黑色星期图画像分析
kaggle实战：黑色星期五画像分析
本文是对还是kaggle上一份黑色星期五消费数据的分析，主要是针对用户和商品信息的画像分析。
关键词：用户画像、可视化、plotly、Pandas
图形：柱状图、饼图、散点图、小提琴图、桑基图、树状图、漏斗图、多子图等
导入库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib.patches as mpatches
import matplotlib
# 中文显示问题
plt.rcParams["font.sans-serif"]=["SimHei"] #设置字体
plt.rcParams["axes.unicode_minus"]=False #正常显示负号
import plotly.graph_objects as go
import plotly.express as px
from plotly.subplots import make_subplots
from plotly.offline import init_notebook_mode, iplot
from sklearn.impute import KNNImputer
from sklearn.model_selection import train_test_split
# 忽略notebook中的警告
import warnings
warnings.filterwarnings("ignore")数据基本信息
导入数据
探索数据的基本信息
In [2]:
df = pd.read_csv("train.csv")
df基本信息
In [3]:
# 1、数据大小
df.shapeOut[3]:
(550068, 12)In [4]:
# 2、字段类型
df.dtypesOut[4]:
User_ID int64
Product_ID object
Gender object
Age object
Occupation int64
City_Category object
Stay_In_Current_City_Years object
Marital_Status int64
Product_Category_1 int64
Product_Category_2 float64
Product_Category_3 float64
Purchase int64
dtype: objectIn [5]:
# 3、缺失值情况
df.isnull().sum()Out[5]:
User_ID 0
Product_ID 0
Gender 0
Age 0
Occupation 0
City_Category 0
Stay_In_Current_City_Years 0
Marital_Status 0
Product_Category_1 0
Product_Category_2 173638 # 存在缺失值
Product_Category_3 383247
Purchase 0
dtype: int64In [6]:
# 4、数据信息
df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 550068 entries, 0 to 550067
Data columns (total 12 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 User_ID 550068 non-null int64
1 Product_ID 550068 non-null object
2 Gender 550068 non-null object
3 Age 550068 non-null object
4 Occupation 550068 non-null int64
5 City_Category 550068 non-null object
6 Stay_In_Current_City_Years 550068 non-null object
7 Marital_Status 550068 non-null int64
8 Product_Category_1 550068 non-null int64
9 Product_Category_2 376430 non-null float64
10 Product_Category_3 166821 non-null float64
11 Purchase 550068 non-null int64
dtypes: float64(2), int64(5), object(5)
memory usage: 50.4+ MB缺失值可视化
In [7]:
import missingno
df.isna().sum() / df.shape[0]Out[7]:
User_ID 0.000000
Product_ID 0.000000
Gender 0.000000
Age 0.000000
Occupation 0.000000
City_Category 0.000000
Stay_In_Current_City_Years 0.000000
Marital_Status 0.000000
Product_Category_1 0.000000
Product_Category_2 0.315666 # 缺失值字段
Product_Category_3 0.696727
Purchase 0.000000
dtype: float64In [8]:
可以看到有两个字段存在缺失值
# 矩阵图：查看缺失值的分布
missingno.matrix(df)
plt.show()# 条形图
missingno.bar(df, color="blue")
plt.show()从下面的图像中也能够观察到只有两个字段存在缺失值
小结1：在我们的数据中包含object、float64和int64共3种数据类型
其中Product_Category_2字段有约31%的缺失占比，Product_Category_3有69%的缺失值占比。
总信息
寻找3个总体的数据信息：
- 总消费人数
- 总消费商品种类
- 总消费金额
In [10]:
# 总消费人数
df["User_ID"].nunique()Out[10]:
5891In [11]:
# 总消费商品种类
df["Product_ID"].nunique()Out[11]:
3631In [12]:
# 总消费金额
sum(df["Purchase"])Out[12]:
5095812742商品类别
In [13]:
# 总消费商品种类
df["Product_Category_1"].nunique()Out[13]:
20In [14]:
df["Product_Category_2"].nunique()Out[14]:
17画像1：消费金额Top10
In [15]:
不同用户的消费金额对比
df1 = df.groupby("User_ID")["Purchase"].sum().reset_index()
df2 = df1.sort_values("Purchase", ascending=False)
df2["User_ID"] = df2["User_ID"].apply(lambda x: "id_"+str(x))fig = px.bar(df2[:10], # 选择前10人
x="User_ID",
y="Purchase",
text="Purchase")
fig.show()可以看到最高的一位用户花费了1千多万！
画像2：高频消费前10
In [19]:
df3 = df.groupby("User_ID").size().reset_index()
# Number表示购买次数
df3.columns = ["User_ID", "Number"]
# 降序排列
df4 = df3.sort_values("Number", ascending=False)
df4.head(10)df4["User_ID"] = df4["User_ID"].apply(lambda x: "id_"+str(x))
fig = px.bar(df4[:10], # 选择前10人
x="User_ID",
y="Number",
text="Number",
color="Number"
)
fig.show()画像3：人均消费金额Top10
In [23]:
df5 = pd.merge(df2, df4)
# 人均消费金额
df5["Average"] = df5["Purchase"] / df5["Number"]
df5["Average"] = df5["Average"].apply(lambda x: round(x,2))
df5.head()fig = px.scatter(df5,
x="User_ID",
y="Average",
color="Average")
fig.show()px.violin(df5["Average"])从散点分布图和小提琴图中能够看到，大部分用户的平均消费金额在8k到10k之间
画像4：男女消费对比
In [28]:
df6 = df.groupby("Gender").agg({"User_ID":"nunique", "Purchase":"sum"}).reset_index()
df6Out[28]:
Gender | User_ID | Purchase | |
|---|---|---|---|
0 | F | 1666 | 1186232642 |
1 | M | 4225 | 3909580100 |
labels = df6["Gender"].tolist()
# 制作子图：'domain' 表示饼图
fig = make_subplots(
rows=1,
cols=2,
subplot_titles=["男女消费次数","男女消费金额"],
specs=[[{'type':'domain'},
{'type':'domain'}]])
# 两个子图
fig.add_trace(go.Pie(
labels=labels,
values=df6["User_ID"].tolist(),
name="UserID"),
row=1,
col=1)
fig.add_trace(go.Pie(
labels=labels,
values=df6["Purchase"].tolist(),
name="Purchase"),
1, 2)
fig.show()总结：男士才是消费主力军！
画像5：不同年龄的消费人数和金额
In [30]:
df7 = df.groupby("Age").agg({"User_ID":"nunique", "Purchase":"sum"}).reset_index()
df7Out[30]:
Age | User_ID | Purchase | |
|---|---|---|---|
0 | 0-17 | 218 | 134913183 |
1 | 18-25 | 1069 | 913848675 |
2 | 26-35 | 2053 | 2031770578 |
3 | 36-45 | 1167 | 1026569884 |
4 | 46-50 | 531 | 420843403 |
5 | 51-55 | 481 | 367099644 |
6 | 55+ | 372 | 200767375 |
In [31]:
labels = df7["Age"].tolist()
# 制作子图：'domain' 表示饼图
fig = make_subplots(
rows=1,
cols=2,
subplot_titles=["不同age消费次数","不同age消费金额"],
specs=[[{'type':'domain'},
{'type':'domain'}]])
# 两个子图
fig.add_trace(go.Pie(
labels=labels,
values=df7["User_ID"].tolist(),
name="UserID"),
row=1,
col=1)
fig.add_trace(go.Pie(
labels=labels,
values=df7["Purchase"].tolist(),
name="Purchase"),
1, 2)
fig.update_layout(height=500,width=800)
fig.show()总结：26到35岁的人群，年轻人，大部分都是工作多年的用户，有家庭和经济基础，成为了消费主力军
画像6：不同性别+年龄的消费人数、金额
In [32]:
df8 = df.groupby(["Gender","Age"]).agg({"User_ID":"nunique", "Purchase":"sum"}).reset_index()
df8fig = px.treemap(
df8, # 传入数据
path=[px.Constant("all"),"Gender","Age"],
values="Purchase" # 消费金额
)
fig.update_traces(root_color="lightskyblue")
fig.update_layout(margin=dict(t=30,l=20,r=25,b=30))
fig.show()画像7：不同城市、年龄消费金额
In [34]:
df9 = df.groupby(["City_Category","Age"]).agg({"User_ID":"nunique", "Purchase":"sum"}).reset_index()
df9.head()fig = px.bar(df9,
x="City_Category",
y="Purchase",
color="Age",
barmode="group",
text="Purchase"
)
fig.update_layout(title="不同城市不同年龄段的消费金额")
fig.show()从3个城市来看，26-35一直都是消费主力
从上面的柱状图来看，在不同的年龄段，一直保持A < B < C的现象。C城市果真是消费的主要城市
画像8：不同婚姻状态的消费次数和金额
In [37]:
df10 = df.groupby(["Marital_Status"]).agg({"User_ID":"nunique", "Purchase":"sum"}).reset_index()
df10Out[37]:
Marital_Status | User_ID | Purchase | |
|---|---|---|---|
0 | 0 | 3417 | 3008927447 |
1 | 1 | 2474 | 2086885295 |
In [38]:
df10["Marital_Status"] = df10["Marital_Status"].map({0:"未婚",1:"已婚"})In [39]:
fig = px.pie(names=df10["Marital_Status"],
values=df10["Purchase"]
)
fig.update_traces(
textposition='inside', # 文本显示位置：['inside', 'outside', 'auto', 'none']
textinfo='percent+label'
)
fig.show()总结：单身自由，就是要买
画像9：城市停留时间
In [41]:
px.violin(df,
y="Purchase",
color="Stay_In_Current_City_Years")df11 = (df.groupby(["Stay_In_Current_City_Years"])
.agg({"User_ID":"nunique", "Purchase":"sum"})
.reset_index())
df12 = df11.sort_values("User_ID",ascending=False)
df12stages = df12["Stay_In_Current_City_Years"].tolist()
fig = px.funnel_area(values = df12["User_ID"].tolist(),
names = stages
)
fig.show()在一个城市停留1-2年内的用户更容易成为消费主力
画像10：销售额Top20商品
In [46]:
df13 = df.groupby(["Product_ID"]).agg({"Purchase":"sum"}).reset_index()
# 改成以万为单位
df13["Purchase"] = df13["Purchase"].apply(lambda x: round(x / 10000,2))
# 销售额降序
df13.sort_values("Purchase", ascending=False, inplace=True)
df13fig = px.bar(df13[:10], # 选择前10人
x="Product_ID",
y="Purchase",
color="Purchase",
text="Purchase")
fig.update_layout(title="Top20商品销售额对比图(万)")
fig.show()画像11：二八法则
In [49]:
# 销售额
top20 = int(df13["Product_ID"].nunique() * 0.2)
top20Out[49]:
726In [50]:
sum(df13[:top20]["Purchase"]) / sum(df13["Purchase"])Out[50]:
0.7325143993257992通过计算的结果发现：销售额排名前20的商品其总销售额占据整体的73%，基本上是符合我们听到的二八法则
画像11：商品种类
In [51]:
df14 = df.groupby(["Product_Category_1"]).agg({"Purchase":"sum"}).reset_index()
fig = px.pie(names=df14["Product_Category_1"],
values=df14["Purchase"],
hole=0.5
)
fig.update_traces(
textposition='inside',
textinfo='percent+label'
)
fig.show()px.box(df,
x="Product_Category_1",
y="Purchase",
color="Product_Category_1")画像12：不同性别不同种类销售额
In [54]:
df15 = (df.groupby(["Gender","Product_Category_1","Product_Category_2","Product_Category_3"])
.agg({"Purchase":"sum"})
.reset_index())
Product_Category = ["Product_Category_1","Product_Category_2","Product_Category_3"]
for i, v in enumerate(Product_Category):
df15[v] = df15[v].apply(lambda x: f"c{i+1}_"+str(int(x)))
df15.head()第一级
In [56]:
df16 = df15.groupby("Gender")["Purchase"].sum().reset_index()
df16Out[56]:
Gender | Purchase | |
|---|---|---|
0 | F | 416719106 |
1 | M | 1528099293 |
In [57]:
df16["Total"] = "总销售额"In [58]:
df16 = df16[["Total","Gender","Purchase"]]
df16.columns = ["父类","子类","数据"]
df16Out[58]:
父类 | 子类 | 数据 | |
|---|---|---|---|
0 | 总销售额 | F | 416719106 |
1 | 总销售额 | M | 1528099293 |
第二级
In [59]:
df17 = df15.groupby(["Gender","Product_Category_1"])["Purchase"].sum().reset_index()
df17.head()第三级
In [61]:
df18 = df15.groupby(["Product_Category_1","Product_Category_2"])["Purchase"].sum().reset_index()
df18.head()Out[61]:
In [62]:
df18.columns = ["父类","子类","数据"]第四级
In [63]:
df19 = df15.groupby(["Product_Category_2","Product_Category_3"])["Purchase"].sum().reset_index()
df19.head()Out[63]:
In [64]:
df19.columns = ["父类","子类","数据"]数据合并
In [65]:
df20 = pd.concat([df16,df17,df18,df19],axis=0).reset_index(drop=True)
df20.head()Out[65]:
子类和父类元素个数
In [66]:
labels = list(set(df20["父类"].tolist() + df20["子类"].tolist()))
labels[:5]Out[66]:
['c1_3', 'c3_14', 'c3_18', 'c2_4', 'c2_12']元素字典设置
In [67]:
number = list(range(0, len(labels)))
index = dict(list(zip(labels, number)))配对
In [68]:
df20["父类索引"] = df20["父类"].map(index)
df20["子类索引"] = df20["子类"].map(index)
df20Out[68]:
绘图
In [69]:
import plotly.graph_objects as go
label = list(index.keys())
# 父类和子类
source = df20["父类索引"].tolist()
target = df20["子类索引"].tolist()
# 流量的值
value = df20["数据"].tolist()
# 生成绘图需要的字典数据
link = dict(source = source, target = target, value = value)
node = dict(label = label,
pad=20,
thickness=60,
line = dict(color = "black", width = 0.5))
data = go.Sankey(link = link, node=node)
fig = go.Figure(data)
fig.update_layout(title=dict(text="黑色星期五消费数据",x=0.5,y=0.97))
fig.show()从性别、3个不同的商品类别来看：
- 男性的消费能力远高于女性
- 在商品1中，1号品类是一个高需求的物品
- 在商品2中，2号最高，8号其次
- 在商品3中，头部需求的物品差距缩小，整体的需求更均衡
本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2022-5-26，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
目录