淘寶用戶行爲分析-python（待續）

上一篇，我們利用mysql分析了淘寶用戶行爲–利用mysql進行電商數據分析
這次同樣的我們利用不同的工具python進行分析。
數據集來源： 阿里雲池
樣本量： 3835331

---

第一步數據導入

import numpy as np
import pandas as pd
df=pd.read_csv('UserBehavior.csv')
df.columns = ['user_id','item_id','category_id','behavior','time_stamp'] #給數據附上列字段名

df.head()

df.info()

df.describe()

第二步數據清洗

df.isnull().sum() #第一步處理空值

df[df['time_stamp'].isnull()]#找到時間戳爲空值的一行

df=df.dropna(axis=0,how='any')#直接刪去空值
df=df.drop_duplicates()#第二步刪去重複值
df.head()

import datetime
import time
df['time_stamp'] = pd.to_datetime(df['time_stamp'],unit = 's') #將格林威治時間轉化成日期和時刻
df['date_ymd']=df.time_stamp.dt.date  #提取其中日期部分
df['date_time']=df.time_stamp.dt.hour #提取其中小時部分
df['weekday'] = df['time_stamp'].dt.weekday_name #將日期對應的星期數表示出來

del df['time_stamp'] # 刪去原有的時間戳列
df.head(5)  

df['date_ymd'].value_counts()#看看數據分佈，發現基本集中在11月24日-12月03日

df['date_ymd'] = df['date_ymd'][(df['date_ymd']>=datetime.date(2017,11,25)) & (df['date_ymd']<=datetime.date(2017,12,1))]#篩選出11月25日到12月1日這七天的數據
df=df.dropna(axis=0,how='any')#刪去範圍之外的行數
print(df.shape)#最後7天數據量在278萬左右

(2784900, 7)

第三步正式開始數據分析

#正式開始數據分析#
pv=df.groupby(by='behavior').count()#總pv爲3433848人次，收藏達到11萬，加購的有21萬，其中76705的人買了商品
uv=df.drop_duplicates('user_id').count()#獨立訪客數爲37372，
uv

付費用戶數及比例

buy = df[df['behavior'] == 'buy']
buy1=buy.drop_duplicates('user_id').count()
buy1['user_id']#付費用戶數爲25400，
bili=25400/37372   #付費比例爲68%

復購用戶數及比例

dbuy = buy.groupby(buy['user_id']).count()
dbuy[dbuy['behavior']>=2].count()    #復購的用戶數爲16712
fugoulv=16712/25400   #復購率65.8%

時間維度分析

#時間維度分析#
df['behavior'].groupby(by =df['date_ymd']).value_counts()#用power bi 或EXcel 畫圖

用戶轉化率，漏斗

#用戶行爲轉化漏斗#
df['behavior'].value_counts()
pv_to_cart=153624/2493512
pv_to_fav=80626/2493512
pv_to_buy=57138/2493512
print(pv_to_cart,pv_to_fav,pv_to_buy)#加購率在6.2%，收藏率在3.2%，購買率在2.3%
#所以，關鍵環節是如何讓用戶在瀏覽後迅速喜歡上商品併產生購買意向，應該思考的是個性化推薦是否真的符合用戶的購買需求#

加購率0.062，收藏率 0.032，購買率 0.023。