网站导航
> 技术文档 > ModelWhale+数据分析 消费者行为数据分析实战

ModelWhale+数据分析 消费者行为数据分析实战

网友: 技术文档 2025-07-26 20:46:03

  如果你是数据分析的初学者，那么本文将带你实战体验数据分析案例，本文是基于某综合型电商平台及其线下门店的3900条购物交易数据，我将会从用户画像、商品偏好、季节性趋势、地区分布等多个维度进行数据分析，掌握数据分析基本可视化方法！

  • 数据背景介绍
  • 数据分析实战
    • 数据加载与预处理
    • 用户画像分析
      • 年龄分布
      • 性别分布
    • 商品偏好分析
      • 商品类别分布
      • 热销商品TOP10
    • 季节性与地区趋势
      • 不同季节的销售额
      • 地区分布
    • 价格与评价分析
      • 价格分布
      • 评价分布
  • 高级数据分析方法
    • 聚类分析
  • 总结

数据背景介绍

  数据的来源是一家综合型电商平台以及其线下门店的交易记录，是比较真实的数据很有参考价值，同时数据集一共包含了15个关键属性，特征也足够多，这里我贴出数据来源地址
 
  数据来源地址：https://www.heywhale.com/mw/dataset/684d56eb84f1ba451bfcd699

ModelWhale+数据分析 消费者行为数据分析实战

数据分析实战

数据加载与预处理

  数据分析一开始除了导入必要的依赖，就是数据处理阶段最为重要，我这里主要是去除金额字段中的空格、检查缺失值和日期格式转换

import pandas as pdimport matplotlib.pyplot as pltimport seaborn as snsimport matplotlibmatplotlib.use(\'TkAgg\')df = pd.read_csv(\'shopping_trends.csv\')print(df.head())print(df.info())df[\'Purchase Amount \'] = df[\'Purchase Amount \'].str.strip().astype(float)df[\'Date\'] = pd.to_datetime(df[\'Date\'], format=\'%Y/%m/%d\')print(df.isnull().sum())

用户画像分析

年龄分布

  作为实战部分，我将通过直方图分析顾客的年龄分布

plt.figure(figsize=(8,4))sns.histplot(df[\'Age\'], bins=20, kde=True, color=\'skyblue\')plt.title(\'顾客年龄分布\')plt.xlabel(\'年龄\')plt.ylabel(\'人数\')plt.show()

ModelWhale+数据分析 消费者行为数据分析实战

性别分布

  性别分布则显示本数据集中顾客均为男性，说明数据采集或平台定位偏向男性用户，这也是通过可视化得到的

sns.countplot(x=\'Gender\', data=df, palette=\'Set2\')plt.title(\'顾客性别分布\')plt.show()

ModelWhale+数据分析 消费者行为数据分析实战

商品偏好分析

商品类别分布

  从商品偏好的角度分析商品类别分布，发现服装和配饰为最受欢迎的商品类别，也就是绿色和黄色的柱状图

plt.figure(figsize=(10,4))sns.countplot(x=\'Category\', data=df, order=df[\'Category\'].value_counts().index, palette=\'Set3\')plt.title(\'商品类别分布\')plt.xlabel(\'类别\')plt.ylabel(\'购买次数\')plt.show()

ModelWhale+数据分析 消费者行为数据分析实战

热销商品TOP10

  条形图展示热销商品的前十名

top_items = df[\'Item Purchased\'].value_counts().head(10)top_items.plot(kind=\'bar\', color=\'coral\')plt.title(\'热销商品TOP10\')plt.ylabel(\'购买次数\')plt.show()

ModelWhale+数据分析 消费者行为数据分析实战

季节性与地区趋势

不同季节的销售额

  分析不同季节的销售额，这对于企业来讲尤为重要，可以在这两个季节加大促销力度，提高整体收入

season_sales = df.groupby(\'Season\')[\'Purchase Amount \'].sum().sort_values()season_sales.plot(kind=\'bar\', color=\'teal\')plt.title(\'不同季节销售额\')plt.ylabel(\'总销售额\')plt.show()

ModelWhale+数据分析 消费者行为数据分析实战

地区分布

  条形图展示购买量最多的地区前十名，发现广东，江苏，浙江是前三购买量多的地区

top_locations = df[\'Location\'].value_counts().head(10)top_locations.plot(kind=\'bar\', color=\'slateblue\')plt.title(\'购买量最多的地区TOP10\')plt.ylabel(\'购买次数\')plt.show()

ModelWhale+数据分析 消费者行为数据分析实战

价格与评价分析

价格分布

  分析不同类别商品的价格分布，发现外套和鞋类价格较高，配饰类价格波动大

plt.figure(figsize=(8,4))sns.boxplot(x=\'Category\', y=\'Purchase Amount \', data=df, palette=\'Pastel1\')plt.title(\'不同类别商品价格分布\')plt.ylabel(\'购买金额\')plt.show()

ModelWhale+数据分析 消费者行为数据分析实战

评价分布

  直方图分析顾客的评价分布，总体评价还可以

plt.figure(figsize=(8,4))sns.histplot(df[\'Review Rating\'], bins=20, kde=True, color=\'lightgreen\')plt.title(\'顾客评价分布\')plt.xlabel(\'评价评分\')plt.ylabel(\'人数\')plt.show()

ModelWhale+数据分析 消费者行为数据分析实战

高级数据分析方法

  除了基础的数据分析方法，下面介绍一个高级方法，在实战之前，可以先来了解一下聚类方法的定义

  • 聚类分析是一种无监督学习方法，用于将数据集中的对象分成多个组（或簇），使得同一组中的对象在某种意义上更相似，而不同组中的对象差异更大

聚类分析

  聚类分析，我们可以识别顾客群体的自然分组，帮助企业进行精准营销

from sklearn.preprocessing import StandardScalerfrom sklearn.cluster import KMeansfrom sklearn.decomposition import PCAscaler = StandardScaler()scaled_data = scaler.fit_transform(df[[\'Age\', \'Purchase Amount \']])# K-means聚类kmeans = KMeans(n_clusters=3, random_state=42)df[\'Cluster\'] = kmeans.fit_predict(scaled_data)# PCA降维pca = PCA(n_components=2)pca_data = pca.fit_transform(scaled_data)plt.scatter(pca_data[:, 0], pca_data[:, 1], c=df[\'Cluster\'], cmap=\'viridis\')plt.title(\'顾客聚类结果\')plt.xlabel(\'PCA1\')plt.ylabel(\'PCA2\')plt.show()

ModelWhale+数据分析 消费者行为数据分析实战

总结

  对于初学者而言，如果你掌握了本次数据分析小案例，你就可以在日后的数据分析学习里轻松许多，当然仅仅这点知识还是远远不够的，数据分析更多的还是在数据里挑出你认为重要的特征，并通过匹配的可视化图，最终得到一份详细准确的报告。这才是最终目标~

网络标签：

相关问题