小红书消费情况分析

资料来源

数据说明

这是一个关于用户在小红书购买金额的数据集， 共有29452条数据， 7个变量。
（1） Revenue 用户下单的购买金额
（2） 3rd_party_stores 用户过往在app中从第三方购买的数量，为0则代表只在自营商品中购买
（3） Gender 性别 1：男 0：女 未知则空缺
（4） Engaged_last_30 最近30天在app上有参与重点活动（讨论，卖家秀）
（5） Lifecycle 生命周期分为A,B,C （分别对应注册6个月内，1年内，2年内）
（6） days_since_last_order 最近一次下单距今的天数 （小于1则代表当天有下单）
（7）previous_order_amount 以往累积的用户购买金额

分析步骤

（1） 明确目的
（2） 提出问题
（3） 数据整理
（4） 数据可视化分析
（5） 建立数据模型

1. 分析目的

假设用户购买金额（revenue）为因变量， 其它六个变量为自变量， 探寻不同特征的人群对总购买金额的贡献大小， 帮助企业定位消费人群并在营销推广等方面做出更好决策。 综合所有变量建立多线性数据模型并分析数据模型的准确性。 准确的数据模型能够帮助预测用户下单金额。

提出问题：哪些消费群体更庞大，平均购买力更强？已知自变量能否准确预测用户购买金额？

提出问题：哪些消费群体更庞大，平均购买力更强？已知自变量能否准确预测用户购买金额？

数据整理：数据预处理

1. 数据导入

import pandas as pd
import numpy as np
import random
from matplotlib import pyplot as plt
from pyecharts.charts import Boxplot
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_boston

df= pd.read_csv("/home/kesci/input/data_hongshu5427/31 l2_week2.csv")
df.head(10)

2. 去除重复数值和缺失数值

df.drop_duplicates(inplace=True)
df.reset_index(drop=True,inplace=True)
df.replace('nan',np.nan,inplace=True)
###把性别、年龄、用户过往中为nan的数值分别用随机dummy variable、平均值、随机dummy variable替代
df.fillna(value={
   
   "gender":random.choice([1.0,0.0]),"age":round(df["age"].mean(),0),"engaged_last_30":random.choice([1.0,0.0])},inplace=True)
df.head(10)

3. 简化部分columns的命名， 方便之后绘图与处理

df=df.rename(columns={
   
   "engaged_last_30": "engage", df.keys()[5]: "last_order", "previous_order_amount":"accumulation", "3rd_party_stores":"3rd"})
df.head()

df.dtypes

数据分析：哪些消费群体更庞大， 平均购买力更强？

1. 先分析单一变量与利润的关系

###用matrix plot大致看一下变量之间的线性关系
import plotly.express as px
fig = px.scatter_matrix(df)
fig.show()
#从第一排的图像可以看出各个变量与利润的关系， 更详细的图如下：

通过变代码一一绘制每个单一变量与revenue的关系

#1.
plt.scatter(df['gender'], df['revenue'], color='purple')
plt.title('gender V