聊城微信推广网站,wordpress建群站,公司官网怎么弄,海外公司注册在哪里比较好目录
同期数分析
加载数据
单月实现
统计每个月的订单量
求2月份的订单量和用户数量
求2月之前的历史订单量
筛选出2023年2月的新增的用户数
计算2023年2月在后面的留存情况
完整的2023年2月份同期群结果
遍历合并和分析
引入月份列表
遍历
调整成留存率的形式
回…目录
同期数分析
加载数据
单月实现
统计每个月的订单量
求2月份的订单量和用户数量
求2月之前的历史订单量
筛选出2023年2月的新增的用户数
计算2023年2月在后面的留存情况
完整的2023年2月份同期群结果
遍历合并和分析
引入月份列表
遍历
调整成留存率的形式
回购客单的同期群实现
留存客单 同期数分析
同期群分析是数据分析中的经典思维其核心逻辑是将用户按初始行为的发生时间划分为不同的群组进而分析相似群组的行为如何随时间变化
举例下表记录了每个月新购买的用户数并统计每个月的新增用户在之后月份的复购情况
数据截止到2023年7月如图下所示。 数据的第一行2023年1月有97个新用户 之后的1月2023年2月有46%的用户再次光顾 2月2023年3月仍有39%的回头客 第一行的46%、39%都是对应复购人数占2023年1月新增购买用户的比重这些人属于2023年1月同一期的新增用户 其他行也是一样的道理每一行为同一个群组反映同一期新增用户在之后一段时间复购行为的变化趋势。 上表的百分比为留存率留存率某月复购用户数/对应期新增用户数 我们也可以将留存率或者说是回购率中的回购,当做观察和分析的行为,而如果把回购客单价当做追踪分析的行为,就可以从客单价的维度对用户进行分析.
前面的同期群分析是从时间的维度来划分群组的,也可以改变分组逻辑,用渠道月份来划分群组. 加载数据
# 加载数据
import pandas as pd
df pd.read_excel(../data/k_group_anlysis.xlsx)
df 单月实现
统计每个月的订单量
# 目标1: 统计每个月的订单量
# 1.1 加入 y_m 月份标签
df[y_m] df[付款时间].astype(str).str[:7]
df[y_m].unique()
# 1.2 统计每个月的订单量 且 排序
df[y_m].value_counts().sort_index() 求2月份的订单量和用户数量
# 3.1 指定月份 2023-02
month 2023-02# 3.2 筛选出指定月份相关的订单(订单数量)
sample df[df[y_m] month]
print(二月份的订单量: , len(sample))# 3.3 求 指定月份 每个用户的总实付总额(用户数量)
sample_c sample.groupby(用户ID)[实付金额].sum().reset_index()
print(二月份的用户量: , len(sample_c))# 3.4 打印 3.3的前5条数据
sample_c.head()求2月之前的历史订单量
history df[df[y_m] 2023-01]
history.head()
print(history[y_m].unique())history df.loc[df[y_m] 2023-01,:]
history.head() 筛选出2023年2月的新增的用户数
# 目标5: 筛选出2023年2月新增的用户数
sample_new sample_c.loc[sample_c[用户ID].isin(history[用户ID])False, :]print(2月份新增用户数: , len(sample_new))
sample_new.head() sample_new sample_c.loc[sample_c[用户ID].isin(history[用户ID])False, :] 历史订单量是2023年1月,通过使用isin函数筛选出不是在1月订单量中就是2月新增的订单量. 计算2023年2月在后面的留存情况
# 目标6: 计算2023年2月在后面的留存情况
# 1 准备容器
re []# 2 遍历 [2023-03, 2023-04, 2023-05, 2023-06,2023-07,2023-08,2023-09,2023-10,2023-11,2023-12]
for month in [2023-03, 2023-04, 2023-05, 2023-06,2023-07,2023-08,2023-09,2023-10,2023-11,2023-12]:# print(month)# 2.1 获取下个月的数据next_month df.loc[df[y_m] month, :]# print(---------------------)# print(next_month)# 2.2 获取留存的数据target_user sample_new.loc[sample_new[用户ID].isin(next_month[用户ID]), :]# 2.3 向容器中追加 yyyy-mm留存情况: 999re.append(f{month} 留存情况: {len(target_user)})# 3 验证
re 完整的2023年2月份同期群结果
# 加入新增数据得到完整2023年2月份同期群结果
re.insert(0,[2023年2月新增用户,len(sample_c)])
re 遍历合并和分析
引入月份列表
# 目标1 为了便于循环我们引入了月份列表
month_lst df[y_m].unique()
print(month_lst) 遍历
# 1 月份列表 month_lst
month_lst df[y_m].unique()# 2 准备最终容器 final
final pd.DataFrame()# 3 遍历月份列表
for i in range(len(month_lst)):# print(i, month_lst[i])# 3.1 构造和月份一样长的列表方便后续格式统一 countcount [0] * len(month_lst)# print(count)# 3.2 筛选出当月订单并按用户ID分组 target_monthtarget_month df[df[y_m] month_lst[i]]# print(---------------------------)# print(target_month)# 3.3 求当月订单每个用户的实付金额 target_userstarget_users target_month.groupby(用户ID)[实付金额].sum().reset_index()# print(---------------------------)# print(month_lst[i], len(target_users))# 3.4 判断是否是第一个月if i 0:# 3.4.1 如果是第一个月则跳过因为不需要和历史数据验证是否为新增用户 new_target_usersnew_target_users target_month.groupby(用户ID)[实付金额].sum().reset_index()else:# 3.4.2 如果不是第一个月# 3.4.2.1 找到之前的历史订单 historyhistory df.loc[df[y_m].isin(month_lst[:i])]# print(history)# print(-------------------------)# 3.4.2.2 筛选出未在历史订单中出现过的新增用户 new_target_usersnew_target_users target_users.loc[target_users[用户ID].isin(history[用户ID])False,:]# 3.5 将当月新增用户数放在第一个值中count[0] len(new_target_users)# print(count)# 3.6 以月为单位循环遍历计算留存情况for j, ct in zip(range(i1,len(month_lst)), range(1, len(month_lst))):i 2i13, 12, [3, 4, 5, 6, 7, 8, 9, 10, 11] 1, 12, [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]i 3i4, 12, [4, 5, 6, 7, 8, 9, 10, 11]1, 12, [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]for j, ct in zip(range(i1,len(month_lst)), range(1, len(month_lst))):# 3.6.1 下一个月的订单 next_monthnext_month df.loc[df[y_m] month_lst[j], :]next_users next_month.groupby(用户ID)[实付金额].sum().reset_index()# 3.6.2 计算在该月仍然留存的用户数量isin new_target_users[用户ID].isin(next_users[用户ID]).sum()count[ct] isin# print(count)# 3.7 格式转置result pd.DataFrame({month_lst[i] : count}).T# print(result)# print(-------------------------------)# 3.8 合并final pd.concat([final, result], axis0)# 4 指定列名 当月新增,1月,2月,3月,4月,5月,6月,7月,8月,9月,10月,11月
final.columns [当月新增,1月,2月,3月,4月,5月,6月,7月,8月,9月,10月,11月]# 5 验证
final 调整成留存率的形式
# 目标: 调整成留存率的形式
# 1 让final每个元素 除以 当月新增, 只保留 第二列往后的列内容
result final.divide(final[当月新增], axis 0).iloc[:,1:]
# 2 新增当月新增列
result[当月新增] final[当月新增]
# 3 验证
result 回购客单的同期群实现
#引入y_m
month_lst df[y_m].unique()#后面加了个m代表金额相关
final_m pd.DataFrame()#中间代码相同
for i in range(len(month_lst) - 1):#构造和月份一样长的列表方便后续格式统一count [0] * len(month_lst)#筛选出当月订单并按用户昵称分组target_month df.loc[df[y_m] month_lst[i],:]target_users target_month.groupby(用户ID)[实付金额].sum().reset_index()#如果是第一个月则跳过因为不需要和历史数据验证是否为新增用户if i 0:new_target_users target_month.groupby(用户ID)[实付金额].sum().reset_index()else:#如果不是找到之前的历史订单history df.loc[df[y_m].isin(month_lst[:i]),:]#筛选出未在历史订单中出现过的新增用户new_target_users target_users.loc[target_users[用户ID].isin(history[用户ID]) False,:]#将当月新增用户数放在第一个值中count[0] len(new_target_users)#以月为单位循环遍历计算留存情况for j,ct in zip(range(i 1,len(month_lst)),range(1,len(month_lst))):#下一个月的订单next_month df.loc[df[y_m] month_lst[j],:]next_users next_month.groupby(用户ID)[实付金额].sum().reset_index()#计算在该月仍然留存的用户的回购金额isin_m next_users.loc[next_users[用户ID].isin(new_target_users[用户ID]) True,实付金额].sum()count[ct] isin_m#格式转置result pd.DataFrame({month_lst[i]:count}).T#合并final_m pd.concat([final_m,result])final_m.columns [当月新增,1月,2月,3月,4月,5月,6月,7月,8月,9月,10月,11月]final_m 留存客单
# 留存客单
result_m final_m / final
result_m[当月新增] final_m[当月新增]
result_m
