第五篇: 使用Python和BigQuery进行电商数据分析与可视化

使用Python和BigQuery进行电商数据分析与可视化

大数据分析对于电商业务的洞察至关重要。在这篇文章中,我们将使用Python结合Google BigQuery来分析电商数据集,以最畅销商品平均订单价格最高的前10位客户为主题,展示如何通过数据可视化提供有价值的业务见解。我们将重点介绍数据提取和可视化,帮助读者掌握在实际场景中如何直观展示数据分析结果。

1. 数据集与分析目标

本文使用Google BigQuery提供的公共电商数据集bigquery-public-data:thelook_ecommerce,其中包含用户的购买行为和商品信息等数据。本文的主要分析目标有两个:

  • 最畅销商品:分析销售量排名最高的商品。
  • 平均订单价格最高的前10位客户:识别在平均订单价格上消费较高的客户,以支持客户关系管理。

2. 设置环境并连接BigQuery

首先,确保安装了BigQuery的Python客户端库以及Matplotlib和Seaborn数据可视化库:

bash 复制代码
pip install google-cloud-bigquery matplotlib seaborn

初始化BigQuery客户端并进行身份验证:

python 复制代码
from google.cloud import bigquery

# 初始化BigQuery客户端
client = bigquery.Client()

3. 查询并获取数据

接下来,我们使用SQL查询BigQuery中的数据,提取最畅销商品和平均订单价格最高的前10位客户的数据。

查询1:最畅销商品

计算订单中每个商品的销量,并按销量从高到低排序:

sql 复制代码
SELECT 
    oi.product_id AS product_id, 
    p.name AS product_name, 
    p.category AS product_category, 
    COUNT(*) AS num_of_orders 
FROM 
    `bigquery-public-data.thelook_ecommerce.products` AS p 
JOIN 
    `bigquery-public-data.thelook_ecommerce.order_items` AS oi 
ON 
    p.id = oi.product_id 
GROUP BY 
    1, 2, 3 
ORDER BY 
    num_of_orders DESC;

在Python中执行该查询:

python 复制代码
# 查询最畅销商品
best_selling_query = """
SELECT 
    oi.product_id AS product_id, 
    p.name AS product_name, 
    p.category AS product_category, 
    COUNT(*) AS num_of_orders 
FROM 
    `bigquery-public-data.thelook_ecommerce.products` AS p 
JOIN 
    `bigquery-public-data.thelook_ecommerce.order_items` AS oi 
ON 
    p.id = oi.product_id 
GROUP BY 
    1, 2, 3 
ORDER BY 
    num_of_orders DESC;
"""
best_selling_items = client.query(best_selling_query).to_dataframe()
查询2:平均订单价格最高的前10位客户

获取每个客户的平均订单价格,并按降序排列以显示消费水平最高的10位客户:

sql 复制代码
SELECT 
    u.id AS user_id, 
    u.first_name, 
    u.last_name, 
    AVG(oi.sale_price) AS avg_sale_price 
FROM 
    `bigquery-public-data.thelook_ecommerce.users` AS u 
JOIN 
    `bigquery-public-data.thelook_ecommerce.order_items` AS oi 
ON 
    u.id = oi.user_id 
GROUP BY 
    1, 2, 3 
ORDER BY 
    avg_sale_price DESC 
LIMIT 10;

在Python中执行查询:

python 复制代码
# 查询平均订单价格最高的前10位客户
top_customers_query = """
SELECT 
    u.id AS user_id, 
    u.first_name, 
    u.last_name, 
    AVG(oi.sale_price) AS avg_sale_price 
FROM 
    `bigquery-public-data.thelook_ecommerce.users` AS u 
JOIN 
    `bigquery-public-data.thelook_ecommerce.order_items` AS oi 
ON 
    u.id = oi.user_id 
GROUP BY 
    1, 2, 3 
ORDER BY 
    avg_sale_price DESC 
LIMIT 10;
"""
top_customers = client.query(top_customers_query).to_dataframe()

4. 数据可视化

获取数据后,接下来用Matplotlib和Seaborn将结果进行可视化。

4.1 最畅销商品柱状图

将最畅销商品按销量绘制成柱状图:

python 复制代码
import matplotlib.pyplot as plt
import seaborn as sns

# 绘制最畅销商品的柱状图
plt.figure(figsize=(10, 6))
sns.barplot(x='num_of_orders', y='product_name', data=best_selling_items.head(10), palette='viridis')
plt.title('Top 10 Best Selling Products')
plt.xlabel('Number of Orders')
plt.ylabel('Product Name')
plt.yticks(rotation=45, fontsize=8)  # 旋转45度并缩小字体
plt.show()

代码绘制图表示例:

4.2 平均订单价格最高的前10位客户饼图

将前10位客户的平均订单价格按比例绘制成饼图,展示客户消费贡献情况。

python 复制代码
# 绘制平均订单价格最高的前10位客户饼图
labels = top_customers['first_name'] + ' ' + top_customers['last_name']
sizes = top_customers['avg_sale_price']

plt.figure(figsize=(8, 8))
plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=140)
plt.title('Top 10 Customers by Average Order Price')
plt.show()

代码绘制图表示例:

5. 分析结果

  • 最畅销商品:通过柱状图展示商品销量,便于识别出在市场中更受欢迎的产品,有助于制定营销策略。
  • 前10位客户的平均订单价格:饼图显示这些高消费客户的相对贡献,可以为建立客户关系和激励措施提供支持。

总结

本文介绍了如何使用Python和Google BigQuery进行电商数据分析,展示了从数据提取到结果可视化的完整流程。在电商数据分析中,数据的可视化帮助我们更快识别业务趋势,未来还可以拓展至更复杂的分析需求,例如客户分层、产品推荐等。

相关推荐
数据智能老司机1 小时前
精通 Python 设计模式——分布式系统模式
python·设计模式·架构
武子康1 小时前
大数据-100 Spark DStream 转换操作全面总结:map、reduceByKey 到 transform 的实战案例
大数据·后端·spark
数据智能老司机2 小时前
精通 Python 设计模式——并发与异步模式
python·设计模式·编程语言
数据智能老司机2 小时前
精通 Python 设计模式——测试模式
python·设计模式·架构
数据智能老司机2 小时前
精通 Python 设计模式——性能模式
python·设计模式·架构
c8i2 小时前
drf初步梳理
python·django
每日AI新事件2 小时前
python的异步函数
python
expect7g2 小时前
Flink KeySelector
大数据·后端·flink
这里有鱼汤3 小时前
miniQMT下载历史行情数据太慢怎么办?一招提速10倍!
前端·python
databook12 小时前
Manim实现脉冲闪烁特效
后端·python·动效