【数据可视化】电信用户流失数据可视化分析：Python + Pyecharts 炫酷大屏（含完整数据、代码）

🧑 博主简介：曾任某智慧城市类企业算法总监，CSDN / 稀土掘金等平台人工智能领域优质创作者。
目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。

一、引言

在电信行业，用户流失是一个关键问题，因为它直接影响到公司的收入和市场份额。通过分析用户流失的原因，我们可以制定有效的策略来减少流失率，提高用户满意度和忠诚度。本文将使用 Python 和 Pyecharts 对电信用户流失数据进行可视化分析，并构建一个炫酷的组合大屏。

二、数据集介绍

数据集包含以下字段：

customerID：用户ID
gender：性别
SeniorCitizen：是否是老年人（1代表是）
Partner：是否有配偶（Yes or No）
Dependents：是否经济独立（Yes or No）
tenure：用户入网时间
PhoneService：是否开通电话业务（Yes or No）
MultipleLines：是否开通多条电话业务（Yes、No or No phoneservice）
InternetService：是否开通互联网服务（No、DSL数字网络或fiber optic光线网络）
OnlineSecurity：是否开通网络安全服务（Yes、No or No internetservice）
OnlineBackup：是否开通在线备份服务（Yes、No or No internetservice）
DeviceProtection：是否开通设备保护服务（Yes、No or No internetservice）
TechSupport：是否开通技术支持业务（Yes、No or No internetservice）
StreamingTV：是否开通网络电视（Yes、No or No internetservice）
StreamingMovies：是否开通网络电影（Yes、No or No internetservice）
Contract：合同签订方式（按月、按年或者两年）
PaperlessBilling：是否开通电子账单（Yes or No）
PaymentMethod：付款方式（bank transfer、credit card、electronic check、mailed check）
MonthlyCharges：月度费用
TotalCharges：总费用
Churn：是否流失（Yes or No）

三、环境准备

在开始之前，请确保安装了以下库：

复制代码

pip install pandas pyecharts

四、数据预处理

我们首先读取数据，并进行必要的清洗和转换。

python 复制代码

import pandas as pd
from pyecharts import options as opts
from pyecharts.charts import *
from pyecharts.globals import ThemeType
from pyecharts.commons.utils import JsCode

# 读取数据
df = pd.read_csv("WA_Fn-UseC_-Telco-Customer-Churn.csv")

# 将列名转换为中文
df.columns = [
    '用户ID', '性别', '是否老年人', '是否有配偶', '是否经济独立', '用户入网时间',
    '是否开通电话业务', '是否开通多条电话业务', '是否开通互联网服务', '是否开通网络安全服务',
    '是否开通在线备份服务', '是否开通设备保护服务', '是否开通技术支持业务', '是否开通网络电视',
    '是否开通网络电影', '合同签订方式', '是否开通电子账单', '付款方式', '月度费用',
    '总费用', '是否流失'
]

# 将总费用列转换为浮点型
df['总费用'] = pd.to_numeric(df['总费用'], errors='coerce').fillna(0)

# 将是否流失列转换为数值型
df['是否流失'] = df['是否流失'].map({'Yes': 1, 'No': 0})

五、可视化分析

接下来，我们将从多个角度对数据进行可视化分析。

5.1 用户流失率

我们首先查看整体的用户流失率。

ini 复制代码

# 用户流失率
churn_rate = df['是否流失'].mean() * 100

# 绘制饼图
pie = (
    Pie(init_opts=opts.InitOpts(theme='dark', bg_color='#000'))
    .add("", [("未流失", 100 - churn_rate), ("流失", churn_rate)])
    .set_global_opts(title_opts=opts.TitleOpts(title="用户流失率"))
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c} ({d}%)"))
)

分析： 从饼图中可以看到，约 26.5% 的用户已经流失，这是一个值得关注的问题。

5.2 不同性别用户流失率

接下来，我们查看不同性别的用户流失率。

less 复制代码

# 不同性别用户流失率
gender_churn = df.groupby('性别')['是否流失'].mean().reset_index()

# 绘制柱状图
bar_gender = (
    Bar(init_opts=opts.InitOpts(theme='dark', bg_color='#000'))
    .add_xaxis(gender_churn['性别'].tolist())
    .add_yaxis("流失率", gender_churn['是否流失'].round(2).tolist())
    .set_global_opts(title_opts=opts.TitleOpts(title="不同性别用户流失率"))
)

分析： 从柱状图中可以看到，女性用户的流失率略高于男性用户。

5.3 不同合同类型用户流失率

我们再看看不同合同类型对用户流失率的影响。

less 复制代码

# 不同合同类型用户流失率
contract_churn = df.groupby('合同签订方式')['是否流失'].mean().reset_index()

# 绘制柱状图
bar_contract = (
    Bar(init_opts=opts.InitOpts(theme='dark', bg_color='#000'))
    .add_xaxis(contract_churn['合同签订方式'].tolist())
    .add_yaxis("流失率", contract_churn['是否流失'].round(2).tolist())
    .set_global_opts(title_opts=opts.TitleOpts(title="不同合同类型用户流失率"))
)

分析： 从柱状图中可以看到，按月签约的用户流失率最高，而两年签约的用户流失率最低。

5.4 用户入网时间与流失率

接下来，我们查看用户入网时间与流失率的关系。

less 复制代码

# 用户入网时间与流失率
tenure_churn = df.groupby('用户入网时间')['是否流失'].mean().reset_index()

# 绘制折线图
line_tenure = (
    Line(init_opts=opts.InitOpts(theme='dark', bg_color='#000'))
    .add_xaxis(tenure_churn['用户入网时间'].tolist())
    .add_yaxis("流失率", tenure_churn['是否流失'].round(2).tolist())
    .set_global_opts(title_opts=opts.TitleOpts(title="用户入网时间与流失率"))
)

分析： 从折线图中可以看到，用户入网时间越短，流失率越高。特别是入网时间在 20 个月以内的用户，流失率较高。

5.5 月度费用与流失率

我们再看看月度费用对用户流失率的影响。

less 复制代码

# 月度费用与流失率
monthly_charges_churn = df.groupby(pd.cut(df['月度费用'], bins=10))['是否流失'].mean().reset_index()

# 绘制折线图
line_monthly = (
    Line(init_opts=opts.InitOpts(theme='dark', bg_color='#000'))
    .add_xaxis(monthly_charges_churn['月度费用'].astype(str).tolist())
    .add_yaxis("流失率", monthly_charges_churn['是否流失'].round(2).tolist())
    .set_global_opts(title_opts=opts.TitleOpts(title="月度费用与流失率"))
)

分析： 从折线图中可以看到，月度费用高于110，流失率会降低。特别是月度费用在 70-100 元之间的用户，流失率较高。

5.6 总费用与流失率

我们再看看总费用对用户流失率的影响。

less 复制代码

# 总费用与流失率
total_charges_churn = df.groupby(pd.cut(df['总费用'], bins=10))['是否流失'].mean().reset_index()

# 绘制折线图
line_total = (
    Line(init_opts=opts.InitOpts(theme='dark', bg_color='#000'))
    .add_xaxis(total_charges_churn['总费用'].astype(str).tolist())
    .add_yaxis("流失率", total_charges_churn['是否流失'].round(2).tolist())
    .set_global_opts(title_opts=opts.TitleOpts(title="总费用与流失率"))
)

分析： 从折线图中可以看到，总费用较低的用户流失率较高，而总费用较高的用户流失率较低。

5.7 不同付款方式用户流失率

我们再看看不同付款方式对用户流失率的影响。

less 复制代码

# 不同付款方式用户流失率
payment_churn = df.groupby('付款方式')['是否流失'].mean().reset_index()

# 绘制柱状图
bar_payment = (
    Bar(init_opts=opts.InitOpts(theme='dark', bg_color='#000'))
    .add_xaxis(payment_churn['付款方式'].tolist())
    .add_yaxis("流失率", payment_churn['是否流失'].round(2).tolist())
    .set_global_opts(title_opts=opts.TitleOpts(title="不同付款方式用户流失率"))
)

分析： 从柱状图中可以看到，使用电子支票付款的用户流失率最高，而使用银行转账付款的用户流失率最低。

5.8 不同互联网服务类型用户流失率

最后，我们看看不同互联网服务类型对用户流失率的影响。

less 复制代码

# 不同互联网服务类型用户流失率
internet_churn = df.groupby('是否开通互联网服务')['是否流失'].mean().reset_index()

# 绘制柱状图
bar_internet = (
    Bar(init_opts=opts.InitOpts(theme='dark', bg_color='#000'))
    .add_xaxis(internet_churn['是否开通互联网服务'].tolist())
    .add_yaxis("流失率", internet_churn['是否流失'].round(2).tolist())
    .set_global_opts(title_opts=opts.TitleOpts(title="不同互联网服务类型用户流失率"))
)

分析： 从柱状图中可以看到，未开通互联网服务的用户流失率最高，而开通光纤互联网服务的用户流失率最低。

六、组合大屏

最后，我们将所有图表组合成一个炫酷的大屏。

scss 复制代码

# 组合大屏
page = Page(layout=Page.DraggablePageLayout)
page.add(pie, bar_gender, bar_contract, line_tenure, line_monthly, line_total, bar_payment, bar_internet)
page.render("telecom_churn_dashboard.html")
print("✅ 已生成 telecom_churn_dashboard.html")

七、总结

通过上述可视化分析，我们可以清晰地看到电信用户流失的多个关键因素：

用户入网时间：入网时间越短，流失率越高。
月度费用：月度费用70-100元之间，流失率高，当月度费用高于110元时，流失率大幅度降低。
总费用：总费用较低的用户流失率较高。
合同类型：按月签约的用户流失率最高，而两年签约的用户流失率最低。
付款方式：使用电子支票付款的用户流失率最高，而使用银行转账付款的用户流失率最低。
互联网服务类型：未开通互联网服务的用户流失率最高，而开通光纤互联网服务的用户流失率最低。

基于这些分析结果，我们可以制定以下策略来降低用户流失率：

优化合同策略：鼓励用户签订长期合同，如两年合同，以降低流失率。
调整费用结构：对于新用户，提供优惠的月度费用和总费用套餐，以吸引他们入网并长期使用。
改善付款方式：提供更多的付款方式选择，特别是银行转账和信用卡支付，以提高用户满意度。
增强互联网服务：为用户提供高质量的互联网服务，特别是光纤互联网服务，以提高用户忠诚度。

希望这篇文章能帮助你更好地理解和分析电信用户流失数据。为后续的客户的流失预测奠定基础，如果你有任何问题或建议，欢迎在评论区留言！🎉

如果您在人工智能领域遇到技术难题，或是需要专业支持，无论是技术咨询、项目开发还是个性化解决方案，我都可以为您提供专业服务，如有需要可站内私信或添加下方VX名片（ID：xf982831907）

期待与您一起交流，共同探索AI的更多可能！