pandas数据分析案例：用户消费数据

最新推荐文章于 2025-03-09 11:10:01 发布
最新推荐文章于 2025-03-09 11:10:01 发布
阅读量1.8k 收藏 27
点赞数
文章标签： pandas 数据分析 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/m0_56676945/article/details/129306736
版权
该文展示了使用Python的Pandas库对电商数据进行预处理，包括数据类型转换、缺失值检查、统计分析等。然后，分析了用户按月的消费总金额、产品购买量和消费次数，揭示了各月消费趋势。接着，对单个用户进行了消费总金额、消费总次数的统计描述，并绘制了散点图。最后，通过RFM模型分析了用户的价值层级，以及用户生命周期的不同阶段，如新用户、活跃用户、回头客等。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

原数据共有69660条数据，有四列，没有列名。
在这里插入图片描述

import numpy as np
import pandas as pd
from pandas import DataFrame, Series
import matplotlib.pyplot as plt

第一部分：数据类型处理

  • 数据加载
    • 字段含义：
      • user_id:用户ID
      • order_dt:购买日期
      • order_product:购买产品的数量
      • order_amount:购买金额
  • 观察数据
    • 查看数据的数据类型
    • 数据中是否存储在缺失值
    • 将order_dt转换成时间类型
    • 查看数据的统计描述
      • 计算所有用户购买商品的平均数量
      • 计算所有用户购买商品的平均花费
    • 在源数据中添加一列表示月份:astype(‘datetime64[M]’)
# 加载数据
df = pd.read_csv('./CDNOW_master.txt', header=None, sep='\s+',
                 names=['user_id', 'order_dt', 'order_product', 'order_amount'])
df.head()
user_idorder_dtorder_productorder_amount
0119970101111.77
1219970112112.00
2219970112577.00
3319970102220.76
4319970330220.76
# 数据中是否存储在缺失值
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 69659 entries, 0 to 69658
Data columns (total 4 columns):
 #   Column         Non-Null Count  Dtype  
---  ------         --------------  -----  
 0   user_id        69659 non-null  int64  
 1   order_dt       69659 non-null  int64  
 2   order_product  69659 non-null  int64  
 3   order_amount   69659 non-null  float64
dtypes: float64(1), int64(3)
memory usage: 2.1 MB

# 将order_dt转换成时间类型
df['order_dt'] = pd.to_datetime(df['order_dt'], format='%Y%m%d')
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 69659 entries, 0 to 69658
Data columns (total 4 columns):
 #   Column         Non-Null Count  Dtype         
---  ------         --------------  -----         
 0   user_id        69659 non-null  int64         
 1   order_dt       69659 non-null  datetime64[ns]
 2   order_product  69659 non-null  int64         
 3   order_amount   69659 non-null  float64       
dtypes: datetime64[ns](1), float64(1), int64(2)
memory usage: 2.1 MB

# 查看数据的统计描述
df.describe()
user_idorder_productorder_amount
count69659.00000069659.00000069659.000000
mean11470.8545922.41004035.893648
std6819.9048482.33392436.281942
min1.0000001.0000000.000000
25%5506.0000001.00000014.490000
50%11410.0000002.00000025.980000
75%17273.0000003.00000043.700000
max23570.00000099.0000001286.010000
# 基于order_dt取出其中的月份
df['order_dt'].astype('datetime64[M]')
# 在源数据中添加一列表示月份:astype('datetime64[M]')
df['month'] = df['order_dt'].astype('datetime64[M]')
df.head()
user_idorder_dtorder_productorder_amountmonth
011997-01-01111.771997-01-01
121997-01-12112.001997-01-01
221997-01-12577.001997-01-01
331997-01-02220.761997-01-01
431997-03-30220.761997-03-01

第二部分：按月数据分析

  • 用户每月花费的总金额
    • 绘制曲线图展示
  • 所有用户每月的产品购买量
  • 所有用户每月的消费总次数
  • 统计每月的消费人数
# 用户每月花费的总金额
df.groupby(by='month')['order_amount'].sum()

month
1997-01-01    299060.17
1997-02-01    379590.03
1997-03-01    393155.27
1997-04-01    142824.49
1997-05-01    107933.30
1997-06-01    108395.87
1997-07-01    122078.88
1997-08-01     88367.69
1997-09-01     81948.80
1997-10-01     89780.77
1997-11-01    115448.64
1997-12-01     95577.35
1998-01-01     76756.78
1998-02-01     77096.96
1998-03-01    108970.15
1998-04-01     66231.52
1998-05-01     70989.66
1998-06-01     76109.30
Name: order_amount, dtype: float64

# plt.plot(df.groupby(by='month')['order_amount'].sum())
df.groupby(by='month')['order_amount'].sum().plot()

<AxesSubplot:xlabel='month'>

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-TKd02HMy-1677754166522)(output_9_1.png)]

# 所有用户每月的产品购买量
df.groupby(by='month')['order_product'].sum()  #.plot()

month
1997-01-01    19416
1997-02-01    24921
1997-03-01    26159
1997-04-01     9729
1997-05-01     7275
1997-06-01     7301
1997-07-01     8131
1997-08-01     5851
1997-09-01     5729
1997-10-01     6203
1997-11-01     7812
1997-12-01     6418
1998-01-01     5278
1998-02-01     5340
1998-03-01     7431
1998-04-01     4697
1998-05-01     4903
1998-06-01     5287
Name: order_product, dtype: int64

# 所有用户每月的消费总次数（原始数据中的一行数据表示一次消费记录）
df.groupby(by='month')['user_id'].count()

month
1997-01-01     8928
1997-02-01    11272
1997-03-01    11598
1997-04-01     3781
1997-05-01     2895
1997-06-01     3054
1997-07-01     2942
1997-08-01     2320
1997-09-01     2296
1997-10-01     2562
1997-11-01     2750
1997-12-01     2504
1998-01-01     2032
1998-02-01     2026
1998-03-01     2793
1998-04-01     1878
1998-05-01     1985
1998-06-01     2043
Name: user_id, dtype: int64

# 统计每月的消费人数（可能一个月一个用户会消费多次，这时算一个人）nunique()表示统计去重后的个数
df.groupby(by='month')['user_id'].nunique()

month
1997-01-01    7846
1997-02-01    9633
1997-03-01    9524
1997-04-01    2822
1997-05-01    2214
1997-06-01    2339
1997-07-01    2180
1997-08-01    1772
1997-09-01    1739
1997-10-01    1839
1997-11-01    2028
1997-12-01    1864
1998-01-01    1537
1998-02-01    1551
1998-03-01    2060
1998-04-01    1437
1998-05-01    1488
1998-06-01    1506
Name: user_id, dtype: int64

第三部分：用户个体消费数据分析

  • 用户消费总金额和消费总次数的统计描述
  • 用户消费金额和消费产品数量的散点图
  • 各个用户消费总金额的直方分布图(消费金额在1000之内的分布)
  • 各个用户消费的总数量的直方分布图(消费商品的数量在100次之内的分布)
# 用户消费总金额和消费总次数的统计描述
df.groupby(by='user_id')['order_amount'].sum()  #总金额

user_id
1         11.77
2         89.00
3        156.46
4        100.50
5        385.61
          ...  
23566     36.00
23567     20.97
23568    121.70
23569     25.74
23570     94.08
Name: order_amount, Length: 23570, dtype: float64

df.groupby(by='user_id')['order_dt'].count()  #总次数

user_id
1         1
2         2
3         6
4         4
5        11
         ..
23566     1
23567     1
23568     3
23569     1
23570     2
Name: order_dt, Length: 23570, dtype: int64

# 用户消费金额和消费产品数量的散点图
user_amount_sum = df.groupby(by='user_id')['order_amount'].sum()
user_product_sum = df.groupby(by='user_id')['order_product'].sum()
plt.scatter(user_product_sum, user_amount_sum)

<matplotlib.collections.PathCollection at 0x205b598fcd0>

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-wb6MtfAD-1677754166523)(output_16_1.png)]

# 各个用户消费总金额的直方分布图(要求消费总金额在1000之内的分布)
df.groupby(by='user_id').sum().query('order_amount<=1000')['order_amount']
df.groupby(by='user_id').sum().query('order_amount<=1000')['order_amount'].hist()

<AxesSubplot:>

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-PGmyZDWX-1677754166523)(output_17_1.png)]

# 各个用户消费的总数量的直方分布图(消费商品的数量在100次之内的分布)
df.groupby(by='user_id').sum().query('order_product<=100')['order_product'].hist()

<AxesSubplot:>

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JN1dGZ7t-1677754166524)(output_18_1.png)]

第四部分：用户消费行为分析

  • 用户第一次消费的月份分布，和人数统计
    • 绘制线形图
  • 用户最后一次消费的时间分布，和人数统计
    • 绘制线形图
  • 新老客户的占比
    • 消费一次为新用户
    • 消费多次为老用户
      • 分析出每一个用户的第一个消费和最后一次消费的时间
        • agg([‘func1’,‘func2’]):对分组后的结果进行指定聚合
      • 分析出新老客户的消费比例
  • 用户分层
    • 分析得出每个用户的总购买量和总消费金额and最近一次消费的时间的表格rfm
    • RFM模型设计
      • R表示客户最近一次交易时间的间隔。
        • /np.timedelta64(1,‘D’)：去除days
      • F表示客户购买商品的总数量,F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。
      • M表示客户交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。
      • 将R，F，M作用到rfm表中
    • 根据价值分层，将用户分为：
      • 重要价值客户
      • 重要保持客户
      • 重要挽留客户
      • 重要发展客户
      • 一般价值客户
      • 一般保持客户
      • 一般挽留客户
      • 一般发展客户
        • 使用已有的分层模型即可rfm_func
# 用户第一次消费的月份分布，和人数统计 绘制线形图
# 第一次消费的月份：每一个用户消费月份的最小值
df.groupby(by='user_id')['month'].min()

user_id
1       1997-01-01
2       1997-01-01
3       1997-01-01
4       1997-01-01
5       1997-01-01
           ...    
23566   1997-03-01
23567   1997-03-01
23568   1997-03-01
23569   1997-03-01
23570   1997-03-01
Name: month, Length: 23570, dtype: datetime64[ns]

df.groupby(by='user_id')['month'].min().value_counts()  #人数统计
df.groupby(by='user_id')['month'].min().value_counts().plot()

<AxesSubplot:>

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JnxZXA1D-1677754166524)(output_21_1.png)]

# 用户最后一次消费的时间分布，和人数统计 绘制线形图
# 最后消费的月份：每一个用户消费月份的最大值
df.groupby(by='user_id')['month'].max().value_counts().plot()

<AxesSubplot:>

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-gdvlhwba-1677754166525)(output_22_1.png)]

# 新老客户的占比: 消费一次为新用户 消费多次为老用户
#如何获知用户是否为第一次消费？可以根据用户的消费时间进行判定
#如果用户的第一次消费时间和最后一次消费时间一样，则该用户只消费了一次为新用户，否则为老用户
new_old_user_df = df.groupby(by='user_id')['order_dt'].agg(['min', 'max'])  # agg(['func1','func2']):对分组后的结果进行多种指定聚合
new_old_user_df['min'] == new_old_user_df['max']  #True新用户，False老用户
# 统计true和false的个数
(new_old_user_df['min'] == new_old_user_df['max']).value_counts()

True     12054
False    11516
dtype: int64

# 用户分层
#     - 分析得出每个用户的总购买量和总消费金额and最近一次消费的时间的表格rfm
#     - RFM模型设计
#         - R表示客户最近一次交易时间的间隔。
#             - /np.timedelta64(1,'D')：去除days
#         - F表示客户购买商品的总数量,F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。
#         - M表示客户交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。
#         - 将R，F，M作用到rfm表中
rfm = df.pivot_table(index='user_id', aggfunc={'order_product': 'sum', 'order_amount': 'sum', 'order_dt': 'max'})
rfm.head()
order_amountorder_dtorder_product
user_id
111.771997-01-011
289.001997-01-126
3156.461998-05-2816
4100.501997-12-127
5385.611998-01-0329
# R表示客户最近一次交易时间的间隔
max_dt = df['order_dt'].max()  # 所有数据中的最大日期
rfm['R'] = (max_dt - rfm['order_dt']) / np.timedelta64(1, 'D')  # /np.timedelta64(1,'D')：去除数据中的"days"
rfm.head()
order_amountorder_dtorder_productR
user_id
111.771997-01-011545.0
289.001997-01-126534.0
3156.461998-05-281633.0
4100.501997-12-127200.0
5385.611998-01-0329178.0
# 去除多余的日期列
rfm.drop(labels='order_dt', axis=1, inplace=True)
rfm
order_amountorder_productR
user_id
111.771545.0
289.006534.0
3156.461633.0
4100.507200.0
5385.6129178.0
............
2356636.002462.0
2356720.971462.0
23568121.706434.0
2356925.742462.0
2357094.085461.0

23570 rows × 3 columns

rfm.columns = ['M', 'F', 'R']  #改变列名
rfm.head()
MFR
user_id
111.771545.0
289.006534.0
3156.461633.0
4100.507200.0
5385.6129178.0
def rfm_func(x):
    # 存储的是三个字符串形式的0或者1
    level = x.map(lambda x: '1' if x >= 0 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': '重要挽留客户',
        '001': '重要发展客户',
        '110': '一般价值客户',
        '010': '一般保持客户',
        '100': '一般挽留客户',
        '000': '一般发展客户'
    }
    result = d[label]
    return result

#df.apply(func):可以对df中的行或者列进行某种（func）形式的运算
rfm['label'] = rfm.apply(lambda x: x - x.mean()).apply(rfm_func, axis=1)
rfm.head()
MFRlabel
user_id
111.771545.0一般挽留客户
289.006534.0一般挽留客户
3156.461633.0重要保持客户
4100.507200.0一般发展客户
5385.6129178.0重要保持客户

第五部分：用户的生命周期

  • 将用户划分为活跃用户和其他用户
    • 统计每个用户每个月的消费次数
    • 统计每个用户每个月是否消费，消费记录为1否则记录为0
      • 知识点：DataFrame的apply和applymap的区别
        • applymap:返回df
        • 将函数做用于DataFrame中的所有元素(elements)
        • apply:返回Series
        • apply()将一个函数作用于DataFrame中的每个行或者列
    • 将用户按照每一个月份分成：
      • unreg:观望用户（前两月没买，第三个月才第一次买,则用户前两个月为观望用户）
      • unactive:首月购买后，后序月份没有购买则在没有购买的月份中该用户的为非活跃用户
      • new:当前月就进行首次购买的用户在当前月为新用户
      • active:连续月份购买的用户在这些月中为活跃用户
      • return:购买之后间隔n月再次购买的第一个月份为该月份的回头客
# 统计每个用户每个月的消费次数
user_month_count_df = df.pivot_table(index='user_id', values='order_dt', aggfunc='count', columns='month').fillna(0)
user_month_count_df.head()
month1997-01-011997-02-011997-03-011997-04-011997-05-011997-06-011997-07-011997-08-011997-09-011997-10-011997-11-011997-12-011998-01-011998-02-011998-03-011998-04-011998-05-011998-06-01
user_id
11.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.0
22.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.0
31.00.01.01.00.00.00.00.00.00.02.00.00.00.00.00.01.00.0
42.00.00.00.00.00.00.01.00.00.00.01.00.00.00.00.00.00.0
52.01.00.01.01.01.01.00.01.00.00.02.01.00.00.00.00.00.0
#统计每个用户每个月是否消费，消费记录为1否则记录为0
df_purchase = user_month_count_df.applymap(lambda x: 1 if x >= 1 else 0)
df_purchase.head()
month1997-01-011997-02-011997-03-011997-04-011997-05-011997-06-011997-07-011997-08-011997-09-011997-10-011997-11-011997-12-011998-01-011998-02-011998-03-011998-04-011998-05-011998-06-01
user_id
1100000000000000000
2100000000000000000
3101100000010000010
4100000010001000000
5110111101001100000
#将df_purchase中的原始数据0和1修改为new，unactive......,返回新的df叫做df_purchase_new
#固定算法
def active_status(data):
    status = []#某个用户每一个月的活跃度
    for i in range(18):

        #若本月没有消费
        if data[i] == 0:
            if len(status) > 0:
                if status[i-1] == 'unreg':
                    status.append('unreg')
                else:
                    status.append('unactive')
            else:
                status.append('unreg')

        #若本月消费
        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

pivoted_status = df_purchase.apply(active_status,axis = 1)
pivoted_status.head()

user_id
1    [new, unactive, unactive, unactive, unactive, ...
2    [new, unactive, unactive, unactive, unactive, ...
3    [new, unactive, return, active, unactive, unac...
4    [new, unactive, unactive, unactive, unactive, ...
5    [new, active, unactive, return, active, active...
dtype: object

# pivoted_status.values.tolist()

# 填充回去
df_purchase_new = DataFrame(data=pivoted_status.values.tolist(),index=df_purchase.index,columns=df_purchase.columns)
df_purchase_new.head()
month1997-01-011997-02-011997-03-011997-04-011997-05-011997-06-011997-07-011997-08-011997-09-011997-10-011997-11-011997-12-011998-01-011998-02-011998-03-011998-04-011998-05-011998-06-01
user_id
1newunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactive
2newunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactive
3newunactivereturnactiveunactiveunactiveunactiveunactiveunactiveunactivereturnunactiveunactiveunactiveunactiveunactivereturnunactive
4newunactiveunactiveunactiveunactiveunactiveunactivereturnunactiveunactiveunactivereturnunactiveunactiveunactiveunactiveunactiveunactive
5newactiveunactivereturnactiveactiveactiveunactivereturnunactiveunactivereturnactiveunactiveunactiveunactiveunactiveunactive
  • 每月【不同活跃】用户的计数
    • purchase_status_ct = df_purchase_new.apply(lambda x : pd.value_counts(x)).fillna(0)
    • 转置进行最终结果的查看
purchase_status_ct = df_purchase_new.apply(lambda x : pd.value_counts(x)).fillna(0)
purchase_status_ct
month1997-01-011997-02-011997-03-011997-04-011997-05-011997-06-011997-07-011997-08-011997-09-011997-10-011997-11-011997-12-011998-01-011998-02-011998-03-011998-04-011998-05-011998-06-01
active0.01157.01681.01773.0852.0747.0746.0604.0528.0532.0624.0632.0512.0472.0571.0518.0459.0446.0
new7846.08476.07248.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.0
return0.00.0595.01049.01362.01592.01434.01168.01211.01307.01404.01232.01025.01079.01489.0919.01029.01060.0
unactive0.06689.014046.020748.021356.021231.021390.021798.021831.021731.021542.021706.022033.022019.021510.022133.022082.022064.0
unreg15724.07248.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.0
# 转置：美观
purchase_status_ct.T
activenewreturnunactiveunreg
month
1997-01-010.07846.00.00.015724.0
1997-02-011157.08476.00.06689.07248.0
1997-03-011681.07248.0595.014046.00.0
1997-04-011773.00.01049.020748.00.0
1997-05-01852.00.01362.021356.00.0
1997-06-01747.00.01592.021231.00.0
1997-07-01746.00.01434.021390.00.0
1997-08-01604.00.01168.021798.00.0
1997-09-01528.00.01211.021831.00.0
1997-10-01532.00.01307.021731.00.0
1997-11-01624.00.01404.021542.00.0
1997-12-01632.00.01232.021706.00.0
1998-01-01512.00.01025.022033.00.0
1998-02-01472.00.01079.022019.00.0
1998-03-01571.00.01489.021510.00.0
1998-04-01518.00.0919.022133.00.0
1998-05-01459.00.01029.022082.00.0
1998-06-01446.00.01060.022064.00.0

参考视频：【2022年张晓波亲授【数据分析自学课程】它来了！必备的Excel/SQL/Tableau/Python/数据黑话数据分析启蒙免费课程教程】 https://www.bilibili.com/video/BV1Bi4y1m7k7/?p=29&share_source=copy_web&vd_source=1170c577d779798202386e1f343fe38b

【精华总结】全文4000字、20个案例详解Pandas当中的数据统计分析与排序
weixin_43373042的博客
01-04 700
大家好，我是俊欣，本篇文章应该算得上是2022年的第一篇原创了，抱歉，元旦期间小编有点偷懒。今天小编来给大家讲一下Pandas模块当中的数据统计与排序，说到具体的就是value_count...
pandas数据分析实例（pandas、matplotlib）
weixin_42692197的博客
06-23 3232
本人喜欢数据分析，接触数据分析也接近两年的时间了，最近在学习pandas。学习最好的方法是使用它，所以，根据这个文章，做了一些练习，并记录下我练习的轨迹。 文章链接：https://mp.weixin.qq.com/s/RcrQmqty1FHEDbQfxv2XTQ 主要是四部分：数据读取，数据概述，数据清洗和整理，分析和可视化 一、数据读取 df = pd.read_csv(r'F:\python学习\DataAnalyst.csv',encoding='gb2312') print(df) 结果如下：
2024年电商用户消费行为数据分析报告
最新发布
2301_79787209的博客
03-09 2601
在数字化浪潮席卷全球的当下，电商行业呈现出蓬勃发展的态势。对于电商企业而言，深入了解用户的消费行为不仅是制定精准营销策略、优化产品与服务的关键，更是在激烈的市场竞争中提升自身竞争力的核心要素。本分析聚焦于电子产品销售领域，通过对电子产品销售数据以及 2024 年各省人口数量数据进行深度挖掘与剖析，旨在清晰洞察电商用户在电子产品消费过程中的行为模式与特点，从而为电商企业的战略决策提供坚实有力的数据支持与理论依据。
20 个 Pandas 数据实战案例，干货多多
AI科技大本营
03-03 4604
作者 |俊欣来源 | 关于数据分析与可视化今天我们讲一下pandas当中的数据过滤内容，小编之前也写过也一篇相类似的文章，但是是基于文本数据的过滤，大家有兴趣也可以去查阅一下。下面小编会...
pandas数据分析案例1
littlepan的博客
12-11 377
""" 本程序实现对movies文件夹中，影评人数据的统计分析功能 """ import pandas as pd pd.options.display.max_rows=10 #设置可显示的数量 unames=['user_id', 'gender', 'age', 'occupation', 'zip'] users=pd.read_table('movies/users.dat',s...
Python程序开发案例教程
12-21
Python程序开发案例教程
Pandas数据分析实战 — 用户消费行为分析
金戈鐡馬
03-28 900
CD商品订单数据的分析总结。根据订单数据（用户的消费记录），从时间维度和用户维度，分析该网站用户的消费行为。通过此案例，总结订单数据的一些共性，能通过用户的消费记录挖掘出对业务有用的信息。对其他产品的线上消费数据分析有一定的借鉴价值，能达到举一反三的效果。一、案例背景CDNOW是一家美国在线零售商，主营商品为CD唱片，ToC业务。1998年上市，2000年被贝塔斯曼收购。
Python数据分析实践：二手车交易数据可视化.pdf
06-14
二手车交易数据分析是现代商业环境中一个重要的领域，尤其是在中国，随着汽车消费的增长，二手车市场发展迅速。在这个过程中，Python 数据分析工具如pandas库扮演着关键角色。本文将深入探讨如何运用Python进行二手...
Pandas数据分析实践：探索游戏与教育数据
在这个挑战中，参与者需要处理两个独立的数据分析案例。第一个案例关注独立免费玩(f2p)电子游戏的玩家微交易行为。微交易是指玩家在游戏内购买游戏货币、物品或者服务，这类数据能够帮助游戏开发者了解玩家消费行为...
Pandas数据集练习：掌握Python数据分析精髓
3. 酒类消费数据：这组数据记录了不同国家或地区的酒类消费情况，可能包括各类酒的销售量、消费群体等信息。使用Pandas可以对消费趋势进行分析，或者研究不同因素对酒类消费的影响。 4. 1960 - 2014美国犯罪数据：...
python数据项目分析报告_python数据分析项目：用户消费行为分析
weixin_39680154的博客
11-21 1389
为了创造更多利润、实现数据驱动运营，某CD网站拟对18个月以来的近7万条消费数据进行分析。具体的研究思路如下：【思维导图】用户消费行为分析（python）.png1、数据获取与探索1.1数据获取数据来源：CDNow网站的用户购买明细（不包含隐私信息）。数据格式：转化成.csv格式。时间跨度：18个月（199701-199806）。字段：用户ID，购买日期，购买数量，购买金额四个字段。user_id...
Python程序开发案例教程答案.docx
06-08
Python程序开发案例教程答案.docx
Python编程案例教程答案
02-16
Python编程案例教程答案
python编程案例教程-Python程序开发案例教程
q6q6q的专栏
10-28 2896
内容简介Python是近年来最流行的编程语言之一，其清晰的语法和可读性使其成为初学者的完美编码语言，并且深受编程人员的喜好和追捧。本书从入门者角度出发，以简洁有趣、通俗易懂的语言讲解了全新的Python3.x。本书共17章，内容包括Python环境搭建、数字类型与字符串、流程控制、列表与元组、集合和字典、函数、面向对象程序设计、模块开发、文件操作、错误和异常、正则表达式、图形用户界面、进程和线程、...
数据分析之Pandas（十一）综合案例
提莫君的博客
03-18 4864
综合案例 需求 现在我们有一组从2006年到2016年1000部最流行的电影数据，数据来源：https://www.kaggle.com/damianpanek/sunday-eda/data 问题1：我们想知道这些电影数据中评分的平均分，导演的人数等信息，我们应该怎么获取？ 问题2：对于这一组电影数据，如果我们想rating，runtime的分布情况，应该如何呈现数据？ 问题3：对于这一组电影...
python程序开发案例教程课后答案黑马程序员
2401_85975385的博客
07-15 869
大家好，给大家分享一下python程序开发案例教程课后答案黑马程序员，很多人还不知道这一点。下面详细解释一下。现在让我们来看看！
设计实例_Python程序设计实例教程课后习题参考答案
weixin_39836726的博客
12-24 744
配套教材：《Python程序设计实例教程》(ISBN：978-7-111-63198-9)，董付国，机械工业出版社温馨提示关注本公众号“Python小屋”，通过菜单“最新资源”==>“历史文章”可以快速查看分专题的1000篇原创技术文章列表(可根据关键字在页面上搜索感兴趣的文章)，通过“最新资源”==>“微课专区”可以免费观看500节Python微课，通过“最新资源”==&g...
《Python程序设计案例教程》-课后习题答案第1章
李威威wiwi的博客
02-28 874
软件质量、开发者效率、程序的可移植性、标准库的支持、组件集成。编写程序，输入两个数，比较它们的大小并输出其中较大者。编写程序，输入一年份，判断该年份是否是闰年并输出结果。1. 人们选择Python的五个主要原因是什么？注：凡符合下面两个条件之一的年份是闰年。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值