电商平台零售交易数据分析案例part2

最新推荐文章于 2023-05-05 13:45:00 发布

原创

最新推荐文章于 2023-05-05 13:45:00 发布 · 1.9k 阅读

10 ·

CC 4.0 BY-SA版权

该博客主要探讨了电商平台的退货数据分析，通过计算退货率并绘制2010年的退货率折线图，发现1月和12月退货率较高。接着，博主介绍了RFM分层模型，用于理解消费者行为，分析了R、F、M三个指标，并对异常值进行了讨论。最后，根据RFM模型对客户进行价值分层，提出针对不同类型的客户采取差异化策略。

数据分析

取出退货的订单使用透视图进行观察

df1 = df.loc[df['Quantity'] <= 0]
#使用透视图分析
tt = pd.pivot_table(df1,index=['year'],columns=['month'],values=['amount'],aggfunc={'amount':np.sum},margins=False)

取出除退货订单以外的已完成订单并观察

df2 = df[(df['Quantity'] > 0) & (df['Price'] > 0)]
#使用透视图分析
pp = pd.pivot_table(df2,index=['year'],columns=['month'],values=['amount'],aggfunc={'amount':np.sum},margins=False)

退货率=退货金额/合计金额

以2010年为例来画出退货率的折线图

#取出多列
df2010 = df[['year','month','Quantity','Price','amount']]
#取出2010年的记录
df2010 = df2010.loc[df2010['year'] == '2010']

#2010年每个月的
#合计金额
df2010_1 = df2010[(df2010['Quantity'] > 0) & (df2010['Price'] > 0)]
df2010_1 = df2010_1.groupby('month').sum()
#退货金额
df2010_0 = df2010[(df2010['Quantity'] < 0)]
df2010_0 = df2010_0.groupby('month').sum()

#2010年退货率
#退货率=退货金额/合计金额
th2010 = np.abs(df2010_0['amount']/df2010_1['amount'])

出来的结果是这样的：