用户消费行为

''' 用户消费行为
用户第一次消费
用户最后一次消费
新老客户消费比
   多少用户仅消费一次
   每月新客占比
用户分层
   RFM
   新，老，活跃，回流，流失
用户购买周期
   用户周期描述
   用户消费周期分布
用户生命周期
   用户生命周期描述
   用户生命周期分布
'''

group_user.min().order_dt.value_counts().plot()
plt.show()
# 用户第一次购买分布，集中在前三个月
# 其中在2.11至2.25有一次剧烈的波动

group_user.max().order_dt.value_counts().plot()
plt.show()
# 用户最后一次购买的分布比第一次分布广
# 大部分最后一次购买，集中在前三月，说明有很多用户购买了一次后就不再进行购买

# 新老消费比

user_life = group_user.order_dt.agg(['min', 'max'])
print(user_life.head())

print((user_life['min'] == user_life['max']).value_counts())
# 有一半的用户只消费了一次

# 用户分层
# 数据透视

rfm = txt.pivot_table(index='user_id',
                     values=['order_product', 'order_amount', 'order_dt'],
                     aggfunc={'order_dt': 'max',
                              'order_amount': 'sum',
                              'order_product': 'sum'}
                     )
print(rfm.head())

# 消除days 天 变为浮点数

rfm['R'] = -(rfm.order_dt - rfm.order_dt.max()) / np.timedelta64(1, 'D')
rfm.rename(columns={'order_product': 'F', 'order_amount': 'M'}, inplace=True)
def rfm_func(x):
   level = x.apply(lambda x: '1' if x >= 1 else '0')
   label = level.R + level.F + level.M   
   d = {       
       '111': '重要价值客户',       
       '011': '重要保持客户',       
       '101': '重要发展客户',       
       '001': '重要挽留客户',       
       '110': '一般价值客户',       
       '010': '一般保持客户',       
       '100': '一般发展客户',       
       '000': '一般挽留客户',   
   }   
   result = d[label]   
   return resultrfm = rfm[rfm['F'] < 200]
rfm['label'] = rfm[['R', 'F', 'M']].apply(lambda x: x - x.mean()).apply(rfm_func, axis=1)
print(rfm.head())

rfm.loc[rfm.label == '重要价值客户', 'color'] = 'g'
rfm.loc[(rfm.label == '一般价值客户'), 'color'] = 'r'
rfm.loc[(rfm.label == '一般保持客户'), 'color'] = 'b'
rfm.loc[(rfm.label == '一般发展客户'), 'color'] = 'c'
rfm.loc[(rfm.label == '一般挽留客户'), 'color'] = 'm'
rfm.loc[(rfm.label == '重要挽留客户'), 'color'] = 'k'
rfm.loc[(rfm.label == '重要保持客户'), 'color'] = 'y'
rfm.loc[(rfm.label == '重要发展客户'), 'color'] = 'w'
#
rfm.plot.scatter('F', 'R', c=rfm.color)
plt.show()

print(rfm.groupby('label').sum())

print(rfm.groupby('label').count())

# 从RFm分层可知，大部分用户为重要保持客户，但是这是由于极值的影响，所以RFM的划分标准
# 应以业务为准
# 尽量用小部分的用户覆盖大部分的额度
# 不要为了数据好看划分等级


用户周期

pivoted_counts = txt.pivot_table(index='user_id',
                                columns='month',
                                values='order_dt',
                                aggfunc='count').fillna(0)
df_purchase = pivoted_counts.applymap(lambda x: 1 if x > 0 else 0)
def active_status(data):
   status = []
   # 18个月
   for i in range(18):
       # 本月没有消费
       if data[i] == 0:
           if len(status) > 0:
               if status[i - 1] == 'unreg':
                   status.append('unreg')
               else:
                   status.append('unactive')
           else:
               status.append('unreg')
       # 本月消费
       else:
           if len(status) == 0:
               status.append('new')
           else:
               if status[i - 1] == 'unactive':
                   status.append('return')
               elif status[i - 1] == 'unreg':
                   status.append('new')
               else:
                   status.append('active')
   return status

'''
本月没有消费
   若之前未注册，则依旧为未注册
   若之前有消费，则为流失/不活跃
若本月有消费
   若第一次消费，则为新用户
   若之前有消费，则上个月为不活跃，则为回流
   如果上个月为注册，则为新用户
   除此之外，为活跃
'''

pd.set_option('display.max_columns', None)
purchase_stats = df_purchase.apply(active_status, axis=1)
print(purchase_stats.head())

purchase_stats_ct = purchase_stats.replace('unreg', np.NaN).apply(lambda x: pd.value_counts(x))
print(purchase_stats_ct)

purchase_stats_ct.fillna(0).T.head()
purchase_stats_ct.fillna(0).T.plot.area()
plt.show()

# 各部分占比占比
purchase_stats_ct.fillna(0).T.apply(lambda x: x / x.sum(), axis=1)
''' 由上表可知，每月的用户消费状态变化
       活跃用户，持续消费的用户，对应的使消费运营的质量
       回流用户，之前不消费本月才消费，对应的使换回运营
       不活跃用户，对应的是流失
'''
order_diff = group_user.apply(lambda x: x.order_dt - x.order_dt.shift())
print(order_diff.head())
# 错位函数 shift（）  向下平移一位
print(order_diff.describe())
# 每一天的分布图
(order_diff / np.timedelta64(1, 'D')).hist(bins=20)
plt.show()

'''
订单周期呈指数分布
用户的平均购买周期为68
绝大部分用户的购买周期都低于100天
'''
# 第一和最后一次消费
user_life = group_user.order_dt.agg(['min', 'max'])
print((user_life['max'] - user_life['min']).describe())
((user_life['max'] - user_life['min']) / np.timedelta64(1, 'D')).hist(bins=20)
plt.show()

# 提取次数  把0过滤掉
u_1 = (user_life['max'] - user_life['min']).reset_index()[0] / np.timedelta64(1, 'D')
u_1[u_1 > 0].hist(bins=40)
plt.show()

'''
用户的生命周期受只购买一次的用户影响比较厉害
用户均消费134天，中位数仅0天
'''

'''
回购率和复购率分析
   复购率
       自然月内，购买次数的用户占比
   回购率
       曾经购买过的用户在某一时期内的再次购买的占比
'''

pivoted_counts = txt.pivot_table(index='user_id',
                                columns='month',
                                values='order_dt',
                                aggfunc='count').fillna(0)
# else嵌套
purchase_r = pivoted_counts.applymap(lambda x: 1 if x > 1 else np.NaN if x == 0 else 0)
(purchase_r.sum() / purchase_r.count()).plot(figsize=(10, 4))
plt.show()

'''
   复购率在20%左右，前三个月因为有大量新用户涌入，而这批用户只购买了一次，所以导致复购率降低
   
'''

def purchase_back(data):
   status = []
   for i in range(17):
       if data[i] == 1:
           if data[i + 1] == 1:
               status.append(1)
           if data[i + 1] == 0:
               status.append(0)
       else:
           status.append(0)
   status.append(np.NaN)
   return status
df_purchase = pivoted_counts.applymap(lambda x: 1 if x > 0 else 0)
purchase_b = df_purchase.apply(purchase_back, axis=1)
print(purchase_b.head())

(purchase_b.sum() / purchase_b.count()).plot(figsize=(10, 4))
plt.show()

I AM A PIG

这是一个简介

    互联网冲浪金牌选手。赖床世锦赛纪录保持者，拖延俱乐部顶级VIP，夜宵外卖一级鉴赏师，国家脱单脱贫重点扶持对象，中央戏精学院优秀学生，亚洲酸柠檬推广大使，国家一级退堂鼓表演艺术家。

评论 (125)

评论

我是 s enim interduante quis metus. Duis porta ornare nulla ut bibendum

Rosie

6 minutes ago

Reply

Sed ac lorem felis. Ut in odio lorem. Quisque magna dui, maximus ut commodo sed, vestibulum ac nibh. Aenean a tortor in sem tempus auctor

Agatha Christie

December 4, 2020 at 3:12 pm

Reply

Sed ac lorem felis. Ut in odio lorem. Quisque magna dui, maximus ut commodo sed, vestibulum ac nibh. Aenean a tortor in sem tempus auctor

Steven

December 4, 2020 at 3:12 pm

Reply

Donec in ullamcorper quam. Aenean vel nibh eu magna gravida fermentum. Praesent eget nisi pulvinar, sollicitudin eros vitae, tristique odio.

Danielle Steel

December 4, 2020 at 3:12 pm

Reply