紅魔電競(jìng)平板評(píng)測(cè)：大屏幕硬實(shí)力
前言：三年的疫情因?yàn)橐暇W(wǎng)課的原因激活了平板市場(chǎng)，如今網(wǎng)課的時(shí)代已經(jīng)過去，大家的生活都恢復(fù)到了正軌，這也就意味著，真正考驗(yàn)平板電腦生存的環(huán)境來了。也就是面對(duì)著這種殘酷的
如今，企業(yè)有能力收集大量的數(shù)據(jù)。這些數(shù)據(jù)可以幫助企業(yè)制定更好的策略并了解其客戶的行為。在這一點(diǎn)上，Cohort分析就發(fā)揮作用了。Cohort分析是一種了解客戶行為或用戶互動(dòng)的強(qiáng)大工具，并為企業(yè)提供有價(jià)值的見解。在本文中，將學(xué)習(xí)如何使用Python進(jìn)行Cohort分析。
Cohort分析是一種經(jīng)常在市場(chǎng)營(yíng)銷、客戶忠誠度、用戶體驗(yàn)和產(chǎn)品開發(fā)等領(lǐng)域使用的數(shù)據(jù)分析技術(shù)。通過這種分析方法，我們可以詳細(xì)了解特定時(shí)期內(nèi)人群或群體的行為。Cohort用于識(shí)別具有相似特征或經(jīng)歷的人群或群體。
例如，對(duì)于電子商務(wù)業(yè)務(wù)，可以使用Cohort分析來監(jiān)測(cè)不同的群體，比如客戶群體、來自特定地區(qū)的群體或偏好特定產(chǎn)品類別的群體。通過這種分析，我們可以研究特定群體在一段時(shí)間內(nèi)的行為和傾向。
本文有一個(gè)由12個(gè)表組成的關(guān)系數(shù)據(jù)庫。本文將在Python通過MS SQL從這個(gè)表中提取所需的特征。在進(jìn)行必要的預(yù)處理操作后，本文將使數(shù)據(jù)適合進(jìn)行分析。接下來從查看數(shù)據(jù)庫開始。
本文需要兩個(gè)特征。這兩個(gè)特征是客戶ID和訂單日期。本文的目標(biāo)是查看我們能夠保留多少客戶，并在其首次到達(dá)日期后的每個(gè)月基礎(chǔ)上保留多長(zhǎng)時(shí)間。
本文想要的特征包含在一個(gè)單獨(dú)的表中。因此，在查詢過程中，不需要從其他表中提取屬性。然而，為了舉例說明，假設(shè)本文將在兩個(gè)表上工作，接下來使用MS SQL中的JOIN獲取本文想要的特征。
SELECT * FROM ORDERS
圖片
SELECT * FROM USERS
圖片
SELECT U.ID, O.DATE_ FROM USERS U JOIN ORDERS O ON U.ID= O.ID
圖片
本文通過JOIN從USERS和ORDERS表中調(diào)用具有相同ID值的屬性。現(xiàn)在，為了在Python中進(jìn)行分析，本文將訪問該數(shù)據(jù)庫，在其中運(yùn)行我們的查詢，并將數(shù)據(jù)作為數(shù)據(jù)幀在我們的操作中使用。
首先，導(dǎo)入本文所需要的庫。
import pandas as pdimport sqlalchemy as saimport urllibfrom datetime import datetime在第二步中，本文使用urllib.parse.quote_plus函數(shù)來保護(hù)連接字符串免受環(huán)境因素的影響，并將連接信息寫入這個(gè)將用于連接SQL Server數(shù)據(jù)庫的字符串中。
params = urllib.parse.quote_plus("DRIVER={SQL Server};" "SERVER=DESKTOP-F3H252;" "DATABASE=E-COMMERCE;")注：如果不知道服務(wù)器名稱，可以通過查詢"SELECT @@SERVERNAME"來找到它。
接下來，本文使用"SQLAlchemy (sa)"庫創(chuàng)建與SQL Server數(shù)據(jù)庫的連接。使用"sa.create_engine"函數(shù)，我們可以利用連接字符串和其他連接設(shè)置創(chuàng)建一個(gè)鏈接引擎。"odbc_connect"參數(shù)用于ODBC連接，并包含之前轉(zhuǎn)換的連接字符串。
engine = sa.create_engine("mssql+pyodbc:///?odbc_cnotallow={}".format(params))在下一步中，本文將創(chuàng)建一個(gè)SQL查詢。我們使用查詢"SELECT U.ID, O.DATE_ FROM USERS U JOIN ORDERS O ON U.ID= O.ID"來獲取我們想要的特征。
qry ="SELECT U.ID, O.DATE_ FROM USERS U JOIN ORDERS O ON U.ID= O.ID"我們通過"engine"對(duì)象建立數(shù)據(jù)庫連接，并在"with"代碼塊中使用該連接。這將自動(dòng)關(guān)閉連接。我們使用"con.execute(qry)"運(yùn)行SQL查詢并獲取結(jié)果集（rs）。最后，我們將結(jié)果集轉(zhuǎn)換為Pandas DataFrame。
with engine.connect() as con: rs = con.execute(qry) df = pd.DataFrame(rs)
圖片
我們知道沒有缺失數(shù)據(jù)，但在這一點(diǎn)上，讓我們檢查并消除它。
df.isnull().sum()ID 0DATE_ 0dtype: int64由于我們將按月進(jìn)行工作，所以小時(shí)數(shù)對(duì)我們來說并不重要，所以我們首先要?jiǎng)h除小時(shí)數(shù)，然后再刪除天數(shù)。首先，我們將日期列（DATE_）轉(zhuǎn)換為日期時(shí)間格式，然后只獲取日期。
df['DATE_'] = pd.to_datetime(df['DATE_'])df['DATE_'] = df['DATE_'].dt.date
圖片
本文的下一步行動(dòng)是刪除天數(shù)。接下來為此定義一個(gè)lambda函數(shù)。希望保留年份和月份的值。datetime(x.year, x.month, 1)將使用年份和月份信息創(chuàng)建一個(gè)新的日期對(duì)象，其中包含該月的第一天。
get_year_month = lambda x: datetime(x.year, x.month, 1)接下來使用這個(gè)函數(shù)創(chuàng)建一個(gè)新的變量，并將新數(shù)據(jù)存儲(chǔ)在'DATE_MONTH'列中。
df['DATE_MONTH'] = df['DATE_'].apply(get_year_month)現(xiàn)在，本文將根據(jù)客戶ID對(duì)要執(zhí)行的流程進(jìn)行分組，并通過創(chuàng)建'COHORT_MONTH'變量在這一列中保留每個(gè)客戶的首次到達(dá)日期。
user_first_date = df.groupby('ID')['DATE_MONTH']df['COHORT_MONTH'] = user_first_date.transform('min')
圖片
當(dāng)我們查看所獲得的值時(shí)，如果對(duì)第一個(gè)訂單日期和其他訂單日期進(jìn)行評(píng)估，就可以很容易地找到差異。我們可以通過創(chuàng)建一個(gè)新的'COHORT_INDEX'變量，將差異保留在這一列中。
years_diff = df['DATE_MONTH'].dt.year - df['COHORT_MONTH'].dt.yearmonths_diff = df['DATE_MONTH'].dt.month -df['COHORT_MONTH'].dt.monthdf['COHORT_INDEX'] = years_diff * 12 + months_diff + 1接下來計(jì)算每個(gè)首次到達(dá)日期的活躍客戶的月度數(shù)量。通過分組，本文創(chuàng)建了一個(gè)名為cohort_data的數(shù)據(jù)幀，其中包含了每個(gè)月首次到達(dá)的唯一客戶數(shù)量。
grouping_count = df.groupby(['COHORT_MONTH', 'COHORT_INDEX'])cohort_data = grouping_count['ID'].apply(pd.Series.nunique)cohort_data = cohort_data.reset_index()cohort_data.head()
圖片
本文將cohort_data數(shù)據(jù)幀整理到數(shù)據(jù)透視表中，并創(chuàng)建一個(gè)名為cohort_user_counts的新數(shù)據(jù)幀。該數(shù)據(jù)幀將包含每個(gè)群體的月活躍客戶數(shù)量。
本文將計(jì)算每個(gè)客戶的活躍百分比。通過將每個(gè)月群體中的客戶數(shù)除以初始客戶數(shù)來實(shí)現(xiàn)此目的。
cohort_sizes = cohort_user_counts.iloc[:,0]retention = cohort_user_counts.divide(cohort_sizes, axis=0)retention.index = retention.index.strftime('%m-%Y')
圖片
最后，本文將在熱圖上可視化retention數(shù)據(jù)幀。
sns.set(style = 'white')plt.figure(figsize = (15, 6))plt.title('Cohort: Retention rate by month')sns.heatmap( retention ,cmap = plt.cm.Reds ,annot = True ,fmt = '.0%' )plt.xlabel("Ongoing months"plt.ylabel("First arrival date")plt.show()
圖片
如上所述，圖表中的百分比表達(dá)的是活躍率。從中可以推斷出的內(nèi)容應(yīng)該回答了我們可以保留客戶多長(zhǎng)時(shí)間的問題。
在這篇文章中，我們提到了Cohort分析，并制作了一個(gè)可以輕松使用的應(yīng)用程序。
本文鏈接：http://www.tebozhan.com/showinfo-26-13565-0.html利用Python群組分析方法剖析客戶行為
聲明：本網(wǎng)頁內(nèi)容旨在傳播知識(shí)，若有侵權(quán)等問題請(qǐng)及時(shí)與本網(wǎng)聯(lián)系，我們將在第一時(shí)間刪除處理。郵件：2376512515@qq.com
上一篇： 性能工程實(shí)踐
下一篇： 如何解決Maven依賴沖突？
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請(qǐng)聯(lián)系：2376512515@qq.com 津ICP備18001702號(hào)
津公網(wǎng)安備 12010102000574號(hào)