电商用户行为可视化分析

傷城~ 2022-09-01 14:56 213阅读 0赞

1.  导入数据

import numpy as np
    import pandas as pd
    import seaborn as sns
    import matplotlib.pyplot as plt
    plt.rcParams['font.sans-serif'] = ['SimHei'] # 步骤一（替换sans-serif字体）
    plt.rcParams['axes.unicode_minus'] = False  # 步骤二（解决坐标轴负数的负号显示问题）

1.  了解数据

user = pd.read_csv('E:/学习/fresh_comp_offline/tianchi_fresh_comp_train_user.csv')
    user.info()

![在这里插入图片描述][0234d27dfef047428b5a9e718b46205b.png]

user.head() 
    # '''
    # user_id用户标识，
    # item_id 商品标识，
    # behavior_type，用户对商品的行为类型 包括浏览、收藏、加购物车、购买，对应取值分别是1、2、3、4。
    # user_geohash 用户位置的空间标识，可以为空 由经纬度通过保密的算法生成
    # item_category 商品分类标识 字段脱敏
    # time 行为时间 精确到小时级别
    # '

![在这里插入图片描述][9259fbca74b844b590ca2e93091fe411.png]

# 查看统计信息
    user.describe()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70]

# 查看缺失值
    user.isnull().sum()

![在这里插入图片描述][20d994041d864813914b1bab878bc2c0.png]  
3. 处理数据

user.duplicated().sum()
    # 删除重复值
    user.drop_duplicates(keep='last',inplace=True)
    user.info() # 查看是否删除了重复值

![在这里插入图片描述][9b33a65a25eb4adf9c92d09b37f83d93.png]

# 将时间转换为datetime格式
    user['time'] = pd.to_datetime(user['time'])
    user.head()

![在这里插入图片描述][f56642a7ad364e8ea9a1f100139146ec.png]

# 提取出日期、月、年
    user['dates'] = user.time.dt.date
    user['month'] = user.dates.values.astype('datetime64[M]')
    user['hours'] = user.time.dt.hour
    user.head()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 1]

# 转换数据类型
    user['behavior_type'] = user['behavior_type'].apply(str)
    user['user_id'] = user['user_id'].apply(str)
    user['item_id'] = user['item_id'].apply(str)
    user.info()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 2]  
4. 数据可视化  
4.1 统计每日PV和UV数据

# 统计每日PV数据
    pv_day = user[user.behavior_type=='1'].groupby('dates')['behavior_type'].count()
    pv_day

![在这里插入图片描述][82e73a0f2e4947b2ae281a1ce52ee7c8.png]

# 统计每日UV数据
    uv_day = user[user.behavior_type=='1'].drop_duplicates(['user_id','dates']).groupby('dates')['user_id'].count()
    uv_day

![在这里插入图片描述][6985018485ed4b5eb293e26740c4b880.png]  
4.2 分析每天的PV和uv的趋势

pv_day.plot(figsize=(12,5),legend=True,title='pv与uv趋势图')
    uv_day.plot(legend=True)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 3]  
两个数据的数据量相差较大，因此需要使用两个不同的坐标来表示

fig,ax1 = plt.subplots()
    ax1.plot(pv_day,label = 'pv',color='red')
    ax2 = ax1.twinx()
    ax2.plot(uv_day,label = 'uv',color='green')
    fig.legend()
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 4]  
4.3 pv、uv差异分析（by day)

pv_uv = pd.concat([pv_day,uv_day],join='outer',axis = 1)
    pv_uv.columns = ['pv_day','uv_day']
    pv_uv

![在这里插入图片描述][2996b893818b43fcb3c68b1ea56a52ca.png]

pv_uv[['pv_day','uv_day']].plot(secondary_y=['pv_day','uv_day'])

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 5]

new_day = pv_uv.diff() # 计算日期之间的差异
    new_day.columns = ['new_pv','new_uv']
    new_day

![在这里插入图片描述][1d972a53e1c64428b6aea09bf198edde.png]

new_day.new_uv.plot()
    new_day.new_pv.plot()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 6]  
5. 不同时期用户行为分析

# 统计不同购买行为的每日总计量
    shopping_cart= user[user.behavior_type == '3'].groupby('dates')['behavior_type'].count()
    collect=user[user.behavior_type=='2'].groupby('dates')['behavior_type'].count()
    buy=user[user.behavior_type=='4'].groupby('dates')['behavior_type'].count()
    
    plt.figure(1,figsize=(10,4))
    plt.plot(shopping_cart,'go-',label='加购人数')
    plt.plot(collect,'bo-',label='收藏人数')
    plt.plot(buy,'ro-',label='购买人数')
    plt.legend()
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 7]  
可以看到数据在12月11日附近有较大的波动，考虑是双十二活动的影响，整理分析用户的不同时期行为可能会导致分析结果与实际差异较大，因此拆分开来做不同的对比分析

1.  不同时段用户行为分析  
    选取活动数据子集

active = user[user['dates'].isin(["2014/12/11","2014/12/12","2014/12/13"])]
    active

![在这里插入图片描述][331a4cfcf0aa47debf55800ab62d3c2b.png]  
选取日常数据子集

daily = user[~user['dates'].isin(["2014/12/11","2014/12/12","2014/12/13"])]
    daily

活动期间不同时段的用户行为分析

uv_h = active[active.behavior_type=='1'].groupby('hours')['user_id'].count()
    collect_h = active[active.behavior_type=='2'].groupby('hours')['behavior_type'].count()
    cart_h = active[active.behavior_type=='3'].groupby('hours')['behavior_type'].count()
    buy_h = active[active.behavior_type=='4'].groupby('hours')['behavior_type'].count()

uv_h.plot(kind='bar',title="浏览人数")

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 8]

plt.figure(figsize = (10,5))
    plt.plot(cart_h,'go-',label='加购人数')
    plt.plot(collect_h,'bo-',label='收藏人数')
    plt.plot(buy_h,'ro-',label='购买人数')
    plt.title("日均各时段活动用户行为")
    plt.legend()
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 9]  
这是三天活动的日均数据，可以发现活动期间是商家在起主导作用大促集中在零点，因此用户的购买高峰也出现在0点， 点击浏览的高峰集中在晚上的21点到22点之间，因此商家可以在20点前改好促销页面吸引顾客参加0点的活动。

日常期间不同时段的用户行为分析

uv_d = daily[daily.behavior_type=='1'].groupby('hours')['user_id'].count()
    collect_d = daily[daily.behavior_type=='2'].groupby('hours')['behavior_type'].count()
    cart_d = daily[daily.behavior_type=='3'].groupby('hours')['behavior_type'].count()
    buy_d = daily[daily.behavior_type=='4'].groupby('hours')['behavior_type'].count()

uv_d.plot(kind='bar',title="浏览人数")

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 10]

plt.figure(figsize = (10,5))
    plt.plot(cart_d,'go-',label='加购人数')
    plt.plot(collect_d,'bo-',label='收藏人数')
    plt.plot(buy_d,'ro-',label='购买人数')
    plt.legend()
    plt.title("日均各时段活动用户行为")
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 11]  
与大促不同的是日常期间购买人数从上午10点到晚上19点变化都不会太大,高峰出现在晚上21点，pv、加购、收藏的高峰出现在晚上21点到22点之间，说明大家都喜欢在晚上这个时间段浏览商品，日常时可以集中在这个时段进行促销活动，浏览高峰也是集中在晚上21点到22点之间。

1.  购买率  
    活动期间购买率

hour_buy_user_sum = active[active.behavior_type=='4'].drop_duplicates(['user_id','dates','hours']).groupby('hours')['user_id'].count()
    hour_buy_user_sum  # 活动时每小时的购买人数

![在这里插入图片描述][6ab8a44a2d89428ba94c3c1da9e93078.png]

hour_active_user_sum = active.drop_duplicates(['user_id','dates','hours']).groupby('hours')['user_id'].count()
    hour_active_user_sum  # 活动参加人数

![在这里插入图片描述][096905e195654828abe10361fecca098.png]

hour_buy_rate = hour_buy_user_sum/hour_active_user_sum
    attr_o = list(hour_buy_user_sum.index)
    vo_2 =np.around(hour_buy_rate.values,decimals=2)
    vo_2

![在这里插入图片描述][fff1e84394bd45349fa035b75a838632.png]  
日常购买率

hour_buy_daily_num = daily[daily.behavior_type == '4'].drop_duplicates(['user_id','dates', 'hours']).groupby('hours')['user_id'].count()
    hour_active_daily_num = daily.drop_duplicates(['user_id','dates', 'hours']).groupby('hours')['user_id'].count()
    daily_buy_rate = hour_buy_daily_num / hour_active_daily_num
    vi_2 =np.around(daily_buy_rate.values,decimals=2)

![在这里插入图片描述][61dce9b6e5e04409aa9ed33419bf4b22.png]

plt.figure()
    plt.plot(hour_buy_rate,marker='o',label="活动购买率")
    plt.plot(daily_buy_rate,marker='o',label="日常购买率")
    plt.legend()
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 12]  
日常时的购买率最高的出现在上午10点到下午15点间，还有晚上的21点，和活动期间的购买率不同，但是明显晚上21点已经在分析中出现比较多的峰值，因此可以考虑这个时段做做吸引用户购买的措施。

1.  转化漏斗分析

# 活动转化
    a_pv = active[active.behavior_type == '1']['user_id'].count()
    a_cart=active[active.behavior_type=="3"]["user_id"].count()
    a_collect=active[active.behavior_type=="2"]["user_id"].count()
    a_buy=active[active.behavior_type=="4"]["user_id"].count()
    a_attr=["点击","加入购物车","收藏","购买"]
    values=[np.around((a_pv/a_pv*100),2),
            np.around((a_cart/a_pv*100),2),
            np.around((a_collect/a_pv*100),2),
            np.around((a_buy/a_pv*100),2),
           ]

![在这里插入图片描述][187e355301964216accb038567f3e591.png]  
参考链接：  
[电商用户行为可视化分析 ][Link 1]

[0234d27dfef047428b5a9e718b46205b.png]: /images/20220829/94882b91eba843c9ae8f2d223ad561ef.png
[9259fbca74b844b590ca2e93091fe411.png]: /images/20220829/a1d83c1e81884d70b6063e151b5ba0a8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70]: /images/20220829/50f16aade76440f5bc0781b6aabd9d02.png
[20d994041d864813914b1bab878bc2c0.png]: /images/20220829/86c5f86d825a4c53801041be24c8f3b3.png
[9b33a65a25eb4adf9c92d09b37f83d93.png]: /images/20220829/3ead1edeec16453eac69970e9b47ec8b.png
[f56642a7ad364e8ea9a1f100139146ec.png]: /images/20220829/b80937433dc14b9eb0d0a875b659e1f9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 1]: /images/20220829/51594e87d97f43e5a2b116b793cf4e94.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 2]: /images/20220829/100feb1cc6a2431894ecfcc583e3144a.png
[82e73a0f2e4947b2ae281a1ce52ee7c8.png]: /images/20220829/3fa2f136a2fb41e48b62d5bbd2b87d33.png
[6985018485ed4b5eb293e26740c4b880.png]: /images/20220829/f28a3ff7131e419e8aeb86c36d99efad.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 3]: /images/20220829/848cfb27ef65429580eead204ab481c7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 4]: /images/20220829/62838a786da34f6e809f779a209c9a47.png
[2996b893818b43fcb3c68b1ea56a52ca.png]: /images/20220829/57bcac6d89fa4eb8965539906b78f174.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 5]: /images/20220829/ab8b53c4ff584369a8ee1aaecf9b8140.png
[1d972a53e1c64428b6aea09bf198edde.png]: /images/20220829/87efbd07bd30416ea17f4723e33b9e9c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 6]: /images/20220829/c48e03167ec54ec991788bed7c00476c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 7]: /images/20220829/c317da049c5b4e70b43fe5078ea89484.png
[331a4cfcf0aa47debf55800ab62d3c2b.png]: /images/20220829/8d3efb9b1cd24e3c9634a0f397429139.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 8]: /images/20220829/8c822a0add504343a41901a700cf5626.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 9]: /images/20220829/46405775ac324c1c9542dffb9421c55a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 10]: /images/20220829/3c128c22b63a437da71744f45ded91af.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 11]: /images/20220829/f6e7dcbc1cc84f3ea18552d912342203.png
[6ab8a44a2d89428ba94c3c1da9e93078.png]: /images/20220829/7f366a16c9924ecea31f68bde2f62417.png
[096905e195654828abe10361fecca098.png]: /images/20220829/a86891ad2ef24d5789a12046b5609bf9.png
[fff1e84394bd45349fa035b75a838632.png]: /images/20220829/71531ecd0da94da99aaecd829267ee3a.png
[61dce9b6e5e04409aa9ed33419bf4b22.png]: /images/20220829/2a678bbec654443faa43d1798ba70662.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 12]: /images/20220829/4c3ef35267584be5b3c8cfa32a74d40c.png
[187e355301964216accb038567f3e591.png]: /images/20220829/646d35c8ef4347daa0e5697b981d4288.png
[Link 1]: https://www.heywhale.com/mw/project/5ebc02db0bff1b002ce7425b