python商品销售情况数据分析-用python分析小红书销售情况.pdfVIP

python商品销售情况数据分析_⽤python分析⼩红书销售情况 ⼀、分析 ⽬的 本⽂将通过对⼩红书销售表3万余条数据的分析，找 影响销售额的因素。 ⼆、理解数据 先看下数据集字段基本信息 import pandas as pd import numpy as np #导⼊数据 rdDf=pd.read_csv (redbook.csv) rdDf.info()gender\age\engaged_last_30存在缺失值，占⽐40%,缺失值过多不能直接删除 三、数据预处理 缺失值处理 #数值型缺失值处理 #⽤age的均值填充缺失值 rdDf [age]=rdDf [age].fillna(rdDf.age.mean()) #类别型缺失值处理 #⽤unknown填充性别及活动 rdDf [gender]=rdDf [gender].fillna(0) rdDf [engaged_last_30]=rdDf [engaged_last_30].fillna(unknown) 四、数据分析与可视化 分析⽅法 ：采⽤多维度拆解法，群组分析法，对⽐分析法 1、单⼀变量分析单笔销售额主要分布在 1000以内，在500以下更为集中，平均值消费⾦额是334。 有将近七成的⽤户是两年以上的⽼⽤户，说明⼩红书的app的留存情况较好。 只有近4%的⽤户30内参加了重要活动，说明这次活动转化效果并不好。 最后⼀次下单时间⾄今的天数差平均值是7天，⼤部分⽤户20内都有消费，说明⽤户消费频次⾼。 ⽤户累计消费平均⾦额约为2379元，⼤部分⽤户累计消费⾦额都在5000以内。 绝⼤多数⽤户都是在⼩红书⾃营上购买的商品，说明⽤户忠诚度⾼，且⼩红书上可供选择的商品种类丰富。 2，多变量分析⼩红书男性⽤户占⽐略⾼于⼥性，且男性单次消费⾦额和累计消费⾦额都超过⼥性。 ⼩红书⽤户的年龄⼤部分集中在24-30岁之间，18岁的⽤户单次消费⾦额较⾼，18-24岁的⽤户累计消费⾦额较⾼，说明18岁以下的⽤户 喜欢追求⾼价格产品，但是持续消费能⼒略差，18-24岁的⽤户累计消费⾦额⾼，说明⼀直在持续购买，这也符合⼩红书主打的⾯向年轻⼥ 性的⼝号。 两年及其以上的⽼⽤户 ，平均消费⾦额⽐较⾼。 30天之内有参加活动的⽤户平均消费⾦额都⽐较⾼。 在⼩红书⾃营上购买商品的⽤户平均消费⾦额都⾼。 五、结论与建议 1，⽤户⼩红书⾃营平台上的平均消费额度较⾼，且⽤户喜欢在该平台购买，建议丰富⾃营平台上的商品种类，增加畅销商品数量，为⽤户 提供量⼤价优丰富的商品。 2，30之内参加活动的⽤户消费⾦额都挺⾼，说明策划活动确实可以提⾼收益，但是参加活动的⽤户太少，仅仅只有4%。建议策划内容丰 富有趣的活动，如平均转发抽奖等，加强活动运营，积极推⼴活动，⼒求吸引⼤量⽤户的参与。 3，⼩红书⽼⽤户两年以上忠诚度⾼，但是平均消费低，建议针对⽼⽤户提供专场优惠，提⾼⽼⽤户消费⾦额。 4，⼩红书学⽣⽤户消费能⼒强，但是持续度不够，建议针对这部分⼈群增⼤营销开展对应的打折活动。 5，男性消费⾦额多于⼥性，建议对男性对于细分标签，精准营销。 可视化代码如下 #单变量可视化 fig1 = plt.figure(facecolor=white,figsize=(16,10)) ax 1=plt.subplot(2,3,1) plt.hist(rdDf 1[revenue],bins=80,normed=0, edgecolor=white) plt.title(销售额分布) ax2=plt.subplot(2,3,2) plt.pie(rdDf [lifecycle].value_counts(),labels=[A,B,C],autopct=%.1f%%,startangle=0) plt.axis(equal) plt.title(⽤户⽣命周期占⽐) ax3=plt.subplot(2,3,3) plt.pie(rdDf [engaged_last_30].value_counts(),labels=[0.0,unknown,1.0],autopct=%.1f%%,startangle=0) plt.axis(equal) plt.title(近三⼗天内参加活动占⽐) ax4=plt.subplot(2,3,4) plt.hist(rdDf [days_since_last_order],bins=50,normed=0,e