数据集是阿里云天池的数据集:淘宝母婴购物数据的两个csv文件。
tianchi_mum_baby.csv
tianchi_mum_baby_trade_history.csv
包含了953个孩子的的生日和性别数据和29971条淘宝用户的历史交易数据。
- tianchi_mum_baby.csv
| 列 | 描述 |
|---|---|
| user_id | 用户 ID (Bigint). |
| birthday | Children’s birthday (e.g. 20130423). |
| gender | Children’s gender (“0” 女, “1” 男, “2” 未知). |
- tianchi_mum_baby_trade_history.csv
| 列 | 描述 |
|---|---|
| ID (Bigint). | |
| user_id | 用户ID (Bigint). |
| auction_id | 购买行为编号ID (Bigint). |
| category_2 | Category ID (Bigint). 类别ID |
| category_1 | Root category ID (Bigint). 根类别ID |
| buy_mount | Purchase quantity (Bigint). 采购量 |
| day | Timestamp. |
- 分析方向
+什么商品类别销量最佳？
+用户为之购买商品的婴儿年龄、性别分布？
+销量与月份关系?
以时间段较长的奶粉为例.
对配方奶粉的分段，主要是根据国际食品法典委员会制定的cac来进行划分。
婴幼儿奶粉现在大范围上基本分为一段、二段、三段，部分婴幼儿奶粉可能会分为四段、五段。
奶粉分段及适用年龄：
第1段婴幼儿奶粉适合0-6个月的宝宝；
第2段婴幼儿奶粉适合6-12个月的宝宝；
第3段婴幼儿奶粉适合1周岁-3周岁的宝宝；
第4段奶粉适合3周岁-7周岁的孩子。
7周岁最多为365*7=2555天，那么对于天数大于2560天的天数视为无效数据，删除行
import pandas as pd
# 以时间段较长的奶粉为例.
# 配方奶粉的分段，主要是根据国际食品法典委员会制定的cac来进行划分。
# 婴幼儿奶粉现在大范围上基本分为一段、二段、三段，部分婴幼儿奶粉可能会分为四段、五段。
# 奶粉分段及适用年龄：
# 第1段婴幼儿奶粉适合0~6个月的宝宝；
# 第2段婴幼儿奶粉适合6~12个月的宝宝；
# 第3段婴幼儿奶粉适合1周岁~3周岁的宝宝；
# 第4段奶粉适合3周岁~7周岁的孩子。
# 7周岁最多为365*7=2555天，那么对于天数大于2560天的天数视为无效数据，删除行。
mum_baby = pd.read_csv('../data/tianchi_mum_baby.csv')
trade_history = pd.read_csv('../data/tianchi_mum_baby_trade_history.csv')
# 计算订单产生时小孩的天数
# 匹配mum_baby中user_id对应的trade_history的user_id
tample = mum_baby.merge(trade_history, how="left", on='user_id').fillna(0)
tample['birthday'] = pd.to_datetime(tample['birthday'].astype(str))
tample['day'] = pd.to_datetime(tample['day'].astype(str))
age_days = tample['day'] - tample['birthday']
tample.loc[:, 'age_days'] = age_days # 计算订单产生时小孩的天数
print(tample.age_days)
j = 0
for i in age_days:
tample.loc[j, 'age_days'] = i.days
j += 1
# age_days为object类型 要改为int类型 不然describe无法统计年龄天数的最值
tample.age_days = pd.DataFrame(tample.age_days, dtype=int)
# 对于age的天数负数以及最大天数为10326天、购买数量最大值达到160天，可以做处理，也可以认为是正常数据不做处理
tample[tample['age_days'] > 2560].sort_values('age_days').to_excel(r'../data\age_days_gt7year.xlsx')
tample[tample['age_days'] < 0].sort_values('age_days').to_excel(r'../data/age_days_lt0year.xlsx')
print(tample[tample['age_days'] < 0].describe())
# 一般认为怀孕了再准备母婴用品会比较常见 这里 我们就以-300天(10个月)以上为正常 去掉低于-300天的购买数据
print(tample[tample['age_days'] > 2560]) # 一共24行
print(tample[tample['age_days'] < 0]) # 143行
print(tample[tample['age_days'] > 2560].index)
tample.drop(tample[tample['age_days'] > 2560].index, inplace=True) # 删除大于2560天的行 在原始对象上修改
tample.drop(tample[tample['age_days'] < -300].index, inplace=True) # 删除低于-300天的行
# 查看购买数量 七七八八的加起来50以内还算正常 达到160偏差有点不一般 还是删了吧
tample.drop(tample[tample['buy_mount'] > 50].index, inplace=True)
print(tample.describe())
tample.to_csv(r'../data/new_trade_history.csv')-
消费者行为分析
# 消费者行为分析 print(mum_baby_trade_history.groupby('category_1').sum()) # 查看根类别category_1 #[6 rows x 7 columns] result1 = pd.pivot_table(mum_baby_trade_history, index='category_1', values='buy_mount', aggfunc=np.sum) plt.figure(figsize=(7, 5)) plt.bar(x=['28', '38', '50008168', '50014815', '50022520', '122650008'], height=result1['buy_mount']) plt.title("category_1类别销量") plt.show()
由图可知，商品编号为28的销量最高，而50014815次之，而122650008的销量最低，应对此现状提高或减少生产量或者加大宣传力度。 -
不同性别用户的销售情况
# 不同性别用户的销售情况分析 data = pd.pivot_table(trade_history, index='gender', values='buy_mount', aggfunc=np.sum) print(data) plt.figure(figsize=(5, 5)) plt.pie(['718', '544', '43'], labels=['女', '男', '未知'], colors=['r', 'b', 'g'], autopct='%.2f%%') plt.title("性别与购买数量的销售关系") plt.savefig('../tmp/性别和购买数量的关系.svg') plt.show()
由图可知，婴幼儿为女孩的销售量较女孩更大一些，而未出生购买商品的用户占比很小，所以应该加大用户家婴幼儿是女孩的推广力度以及产品制造。 -
不同性别购买商品种类的关系
# 不同性别购买商品种类的关系分析 data = pd.pivot_table(trade_history, index='category_1', columns='gender', values='buy_mount', aggfunc=np.sum) plt.figure(figsize=(12, 5)) plt.subplot(221) # 男 plt.bar(x=['28', '38', '50008168', '50014815', '50022520', '122650008'], height=data[0], color='r') plt.subplot(222) # 女 plt.bar(x=['28', '38', '50008168', '50014815', '50022520', '122650008'], height=data[1], color='b') plt.subplot(223) # 未出生 plt.bar(x=['28', '38', '50008168', '50014815', '50022520', '122650008'], height=data[2], color='g') plt.xlabel("商品种类") plt.ylabel("销售数量") plt.savefig('../tmp/不同性别购买商品种类的关系.svg') plt.show()
由图可知，已出生婴幼儿对编号50008168商品需求量较大，婴幼儿女孩对编号50014815需求量高于男孩，，而未出生购买50014815最高其他商品需求偏低，应对此现状提高或减少生产量 或者加大宣传力度。
-
销量与月份关系
mum_baby_trade_history["day"] = mum_baby_trade_history['day'].apply( lambda x: datetime.datetime.strptime(str(x), "%Y%m%d")) mum_baby_trade_history['Month'] = mum_baby_trade_history.day.astype('datetime64[M]') # 设置成月份形式 print(mum_baby_trade_history) data_month = mum_baby_trade_history.groupby('Month', as_index=False) # 按月份分类 data_month.buy_mount.sum() # 按月份汇总 df = data_month.buy_mount.sum() # 新建汇总列表 plt.figure(figsize=(20, 5)) plt.plot(df["Month"], df["buy_mount"]) plt.savefig('../tmp/销量与月份走势图.svg') plt.show()
分析波峰：在每年的10到11月份左右会有一个大波峰，每年的5月以及9月左右会有一个小波峰，在这段时间销量较同期会有一个明显的涨幅 推测1：节日因素，在5月有劳动节，母亲节；9月有中秋节；而是10月到11月左右有国庆节、万圣节、立冬、感恩节等节日，平台在这些节日可能绘有促销打折，这时随着价格降低需求量 会增加，同时销售量也会增加。 推测2：双十一打折力度高，淘宝双十一是从2009年开始便存在的大型购物促销狂欢日，而又伴随着即将到来的春节假期，顾客可能进行囤货，结合两个因素导致需求量大幅上升，所以在 11月前会出现一个大型的销量波峰。
结论：在5月与9月以及11月需要加大供货量，保证供需平衡。分析波谷：每年的1月左右会出现一个明显的销量波谷，说明这段时间的销量较同期低。 推测：1月份正值春节，店铺休息，而开着的店铺肯定会抬高物价，而用户在11月进行囤货所以导致1月份的需求量减小，出现销量波谷。 结论：1月销量惨淡，需要考虑减少进货量的问题，适当降低物价拓宽销售渠道加大宣传力度。