描述性统计分析(Descriptive Statistics)
-
使用场景:用来总结数据的基本特征,如平均值、中位数、标准差等。
-
优势:简单易懂,快速总结数据。
-
劣势:无法深入挖掘数据的潜在关系。
-
模拟数据及示例代码:
pythonimport pandas as pd import numpy as np # 生成模拟数据 data = { "user_log_acct": ["linfbi007", "13601089905_p", "jd_UbSjKwFGOfbv"] * 100, "parent_sale_ord_id": np.random.randint(100000000000, 200000000000, size=300), "sale_ord_id": np.random.randint(100000000000, 200000000000, size=300), "sale_ord_tm": pd.date_range(start="2023-01-01", periods=300, freq="H").tolist(), "item_sku_id": np.random.randint(100000000, 200000000, size=300), "item_name": ["冰箱", "洗衣机", "电视"] * 100, "brandname": ["新飞", "海尔", "小米"] * 100, "sale_qtty": np.random.randint(1, 5, size=300), "item_first_cate_name": ["家用电器"] * 300, "item_second_cate_name": ["大家电"] * 300, "item_third_cate_name": ["冰箱", "洗衣机", "电视"] * 100, "before_prefr_unit_price": np.random.uniform(1000, 2000, size=300), "after_prefr_unit_price": np.random.uniform(800, 1500, size=300), "user_actual_pay_amount": np.random.uniform(700, 1400, size=300), "sale_ord_valid_flag": [1] * 300, "cancel_flag": [0] * 300, "check_account_tm": pd.date_range(start="2023-01-01", periods=300, freq="H").tolist(), "total_offer_amount": np.random.uniform(100, 500, size=300), "self_ord_flag": [1, 0] * 150, "user_site_city_id": np.random.randint(1, 100, size=300), "user_site_province_id": np.random.randint(1, 30, size=300), "user_lv_cd": [0, 1, 2] * 100 } df = pd.DataFrame(data) # 描述性统计分析 desc_stats = df.describe() print(desc_stats)
结果: 描述性统计结果包括每个数值字段的计数、平均值、标准差、最小值、25%分位数、50%分位数、75%分位数和最大值。通过这些数据,可以初步了解数据的分布情况。
判断:识别出用户实际支付金额的均值和标准差,帮助定价策略。了解各个商品类别的销量分布情况,便于库存管理。
2.
数据可视化(Data Visualization)
-
使用场景:通过图表展示数据,发现趋势和模式。
-
优势:直观易懂,便于发现数据中的规律。
-
劣势:图表的准确性和美观度受数据和设计影响。
-
模拟数据及示例代码 :
pythonimport matplotlib.pyplot as plt # 销售数量分布图 plt.figure(figsize=(10, 6)) df['sale_qtty'].hist(bins=20) plt.title('Sales Quantity Distribution') plt.xlabel('Quantity') plt.ylabel('Frequency') plt.show()
-
结果: 通过绘制销售数量的直方图,可以看到不同销售数量的频率分布,判断出哪些销售量区间是最常见的。
-
判断:确定销售数量的常见区间,便于营销策略的制定。识别异常销售量,分析其原因。
相关性分析(Correlation Analysis)
-
使用场景:分析两个或多个变量之间的线性关系。
-
优势:揭示变量间的关系,便于进一步建模。
-
劣势:仅限于线性关系,无法捕捉非线性关系。
-
模拟数据及示例代码 :
python# 相关性分析 correlation_matrix = df.corr() print(correlation_matrix)
结果: 生成变量之间的相关系数矩阵,了解每对变量之间的相关程度。
判断:
- 确定价格和销量之间的关系,优化定价策略。
- 识别促销活动对实际支付金额的影响,调整促销方案。
假设检验(Hypothesis Testing)
-
使用场景:验证假设,判断样本数据是否支持某个假设。
-
优势:提供统计依据,支持决策。
-
劣势:需要设定显著性水平,结果受样本量影响。
-
模拟数据及示例代码 :
pythonfrom scipy import stats # 检验用户实际支付金额的均值是否为1000 t_stat, p_value = stats.ttest_1samp(df['user_actual_pay_amount'], 1000) print(f"T-statistic: {t_stat}, P-value: {p_value}")
结果: 计算T统计量和P值,通过P值判断是否拒绝原假设。
判断:
- 如果P值小于显著性水平(如0.05),则拒绝原假设,说明用户实际支付金额显著不同于1000。
- 帮助优化定价策略。
回归分析(Regression Analysis)
-
使用场景:预测变量之间的关系,用于预测和因果分析。
-
优势:能量化多个因素的影响,进行预测。
-
劣势:需要满足一定假设,复杂模型需要更多计算资源。
-
模拟数据及示例代码 :
pythonimport statsmodels.api as sm # 线性回归分析 X = df[['before_prefr_unit_price', 'total_offer_amount', 'sale_qtty']] y = df['user_actual_pay_amount'] X = sm.add_constant(X) model = sm.OLS(y, X).fit() print(model.summary())
结果: 生成回归分析的详细报告,包括系数、标准误、P值等。
判断:
- 识别主要影响用户支付金额的因素,优化营销策略。
- 通过模型进行销售预测,改进库存管理。
聚类分析(Clustering Analysis)
-
使用场景:将数据分组,发现数据中的自然分类。
-
优势:便于发现潜在的用户群体或商品类别。
-
劣势:需要确定聚类数,结果解释较为复杂。
-
模拟数据及示例代码 :
pythonfrom sklearn.cluster import KMeans # 聚类分析 kmeans = KMeans(n_clusters=3) df['cluster'] = kmeans.fit_predict(df[['before_prefr_unit_price', 'total_offer_amount', 'sale_qtty']]) print(df['cluster'].value_counts())
结果: 每个聚类的样本数量分布,了解数据的聚类情况。
判断:
- 识别不同用户群体,进行精准营销。
- 分类商品,优化推荐系统。
时间序列分析(Time Series Analysis)
-
使用场景:分析时间序列数据的趋势和季节性变化。
-
优势:预测未来趋势,进行库存和资源规划。
-
劣势:模型复杂,需要较长时间序列数据。
-
模拟数据及示例代码 :
pythonfrom statsmodels.tsa.seasonal import seasonal_decompose # 时间序列分析 df.set_index('sale_ord_tm', inplace=True) result = seasonal_decompose(df['user_actual_pay_amount'], model='additive', period=24) result.plot() plt.show()
结果: 分解时间序列,得到趋势、季节性和残差成分。
判断:
- 识别销售趋势,调整营销策略。
- 预测季节性变化,优化库存管理。
频繁项集和关联规则挖掘(Association Rule Mining)
-
使用场景:发现商品之间的购买关联,提高交叉销售。
-
优势:揭示商品间的潜在关系,提升销售额。
-
劣势:规则数量庞大,需筛选有意义的规则。
-
模拟数据及示例代码 :
pythonfrom mlxtend.frequent_patterns import apriori, association_rules # 生成模拟购物篮数据 basket = df.groupby(['sale_ord_id', 'item_name']).size().unstack().reset_index().fillna(0).set_index('sale_ord_id') # 频繁项集 frequent_itemsets = apriori(basket, min_support=0.1, use_colnames=True) rules = association_rules(frequent_itemsets, metric="lift", min_threshold=1) print(rules.head())
结果: 生成关联规则,包括支持度、置信度和提升度。
判断:
- 识别经常一起购买的商品,优化商品组合。
- 提升交叉销售策略,提高销售额。
分类分析(Classification Analysis)
-
使用场景:对用户或商品进行分类,用于精准营销或风险评估。
-
优势:便于预测新样本的类别,优化策略。
-
劣势:需大量标记数据,复杂模型需更多计算资源。
-
模拟数据及示例代码 :
pythonfrom sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import classification_report # 分类分析 X = df[['before_prefr_unit_price', 'total_offer_amount', 'sale_qtty']] y = df['user_lv_cd'] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) clf = RandomForestClassifier() clf.fit(X_train, y_train) y_pred = clf.predict(X_test) print(classification_report(y_test, y_pred))
结果: 生成分类报告,包括精确度、召回率和F1分数。
判断:
- 识别用户等级,进行精准营销。
- 评估商品风险,优化库存策略。
#### **异常检测(Anomaly Detection)**
* **使用场景**:检测异常交易或行为,防范风险。
* **优势**:发现异常情况,防止损失。
* **劣势**:模型复杂,需调整参数。
* **模拟数据及示例代码** :
```python
from sklearn.ensemble import IsolationForest
# 异常检测
iso_forest = IsolationForest(contamination=0.1)
df['anomaly'] = iso_forest.fit_predict(df[['user_actual_pay_amount', 'sale_qtty']])
print(df['anomaly'].value_counts())
```
**结果**: 识别出异常样本的数量和分布。
**判断**: 发现异常交易,防范欺诈行为。识别异常用户行为,进行风险控制。