电商用户画像数据可视化分析

ops/2025/2/6 11:11:52/

在这里插入图片描述

电商用户画像数据可视化分析

作者：i阿极

作者简介：Python领域新星作者、多项比赛获奖者：博主个人首页

😊😊😊如果觉得文章不错或能帮助到你学习，可以点赞👍收藏📁评论📒+关注哦！👍👍👍

📜📜📜如果有小伙伴需要数据集和学习交流，文章下方有交流学习区！一起学习进步！💪

专栏案例：数据可视化分析案例
数据分析：某电商优惠卷数据分析
数据分析：旅游景点销售门票和消费情况分析
数据分析：消费者数据分析
数据分析：餐厅订单数据分析
数据分析：基于随机森林(RFC)对酒店预订分析预测
数据分析：基于K-近邻(KNN)对Pima人糖尿病预测分析

文章目录

  • 电商用户画像数据可视化分析
  • 1、前言
    • 1.1什么是用户画像？
    • 1.2描述电商用户画像维度
  • 2、数据处理
  • 3、数据可视化
    • 3.1性别交易差异
    • 3.2婚姻交易差异
    • 3.3 文化程度
    • 3.4 年龄段差异
  • 4.用户画像仪表盘
  • 总结

1、前言

1.1什么是用户画像？

用户画像是指根据用户的属性、行为、需求等信息而抽象出的一个标签化的用户模型。它是对用户信息进行标签化的过程，以方便计算机处理。用户画像的作用主要表现在以下几个方面：

  • 精准营销：通过用户画像，企业可以了解目标用户的需求和偏好，从而制定更精准的营销策略，提高营销效果。
  • 个性化推荐：基于用户画像，可以为用户提供个性化的产品和服务推荐，提升用户满意度和忠诚度。
  • 产品优化：通过分析用户画像，企业可以了解用户的需求和痛点，针对性地优化产品功能和设计，提高产品的用户体验。
  • 市场分析：用户画像可以帮助企业了解市场的整体趋势和用户需求变化，从而指导企业的市场决策。

因此，用户画像在电商、互联网、金融等各个领域都得到了广泛的应用。对于电商平台而言，建立准确的用户画像有助于更好地理解用户需求，提升用户体验，实现精准营销和个性化服务。

1.2描述电商用户画像维度

  • 基础信息维度：包括用户的年龄、性别、地域、职业等基础信息，这些信息有助于了解用户的基本特征和背景。
  • 购买行为维度：包括用户的购买频率、购买时间、购买商品种类等，这些信息可以揭示用户的购买习惯和购买力。

2、数据处理

首先，导入数据，数据包含基础信息维度，比如出生日期、性别、婚姻状况、文化程度等，以及购买行为维度，比如购买时间、购买频率、购买金额等。

python">import pandas as pd 
data = pd.read_csv( r"D:\mydata\CSDNdata\用户画像数据.csv",encoding='gbk') 
data.head()

在这里插入图片描述
查看数据基本维度，如果有缺失值数据，可对缺失值数据做填充。

python">#查看是否有缺失值
data.info()

在这里插入图片描述
为了确保数据处理的准确性，对数据类型进行适当的检查和转换是非常重要的，如果两个不同类型的数据进行运算，可能会产生错误或不可预知的结果。比如，在算术运算中，如果一个是整数类型，另一个是字符串类型，那么这可能导致错误，因为这两种类型的数据无法进行数学运算。

python">#查看数据类型
data.dtypes

在这里插入图片描述
将用户出生日期处理为为日期数据类型

python">data['用户出生日期'] = pd.to_datetime(data['用户出生日期'],format='%Y/%m/%d')

将交易日期处理为日期数据类型

python">data['下单时间'] = pd.to_datetime(data['下单时间'],format='mixed').dt.date

将用户ID和订单ID转化为字符型数据

python">data['用户ID']=data['用户ID'].astype('str')
data['订单ID']=data['订单ID'].astype('str')

按照间隔天数近似计算用户的年龄。

python"># 假设2023-11-11是计算当天，求交易日期至计算当天的距离天数  
data['间隔天数'] = pd.to_datetime('2023-11-11') - data['用户出生日期']# 从时间距离中获取天数  
data['间隔天数'] = data['间隔天数'].dt.days
data['年龄']=(data['间隔天数']/365).round(0)
data.head()

在这里插入图片描述
年龄求分位数

python">print('年龄最小值: {}'.format(data['年龄'].min()))
print('年龄平均值: {}'.format(data['年龄'].mean()))
print('年龄最大值: {}'.format(data['年龄'].max()))

在这里插入图片描述
使用pd.qcut函数，将用户的年龄自动分组，按照相同的组距分为不同的年龄段

python">#自动分组
age_qcut=pd.qcut(data['年龄'],10)
data['年龄分组']=age_qcut
data.head()

在这里插入图片描述

3、数据可视化

3.1性别交易差异

性别分析作为用户画像中的重要组成部分，对于数据分析从业者来说，掌握其精髓并运用到实际工作中，无疑将为企业在激烈的市场竞争中获得更多的优势。这样的细分分析能够为企业提供更丰富的市场细分策略，帮助企业确定最有潜力的目标市场。

python">#不使用科学计数法，格式化为小数点后保留一位
pd.set_option('display.float_format', lambda x: '%.1f' % x)df_pay_sex=data.groupby('性别')['交易金额'].sum().reset_index()
df_pay_sex

在这里插入图片描述

python">
x=df_pay_sex['交易金额'].tolist()
labels = df_pay_sex['性别'].tolist()#饼图
plt.pie(x,#导入数据autopct='%.1f%%',#数据标签labels=labels,startangle=90, #初始角度pctdistance=0.87,  # 设置百分比标签与圆心的距离explode=[0.01,0], # 突出显示数据textprops = {'fontsize':12, 'color':'k'}, # 设置文本标签的属性值counterclock = False, # 是否逆时针)plt.title("不同性别交易金额占比")plt.show()

在这里插入图片描述

3.2婚姻交易差异

婚姻状况分析对于经管专业的学习者来说是一项重要的任务。通过深入了解和分析用户的婚姻状况，企业能够更准确地把握用户需求和市场趋势，从而制定出更加精准有效的营销策略，提升市场竞争力。

python">#不使用科学计数法，格式化为小数点后保留一位
pd.set_option('display.float_format', lambda x: '%.1f' % x)df_pay_mary=data.groupby('婚姻状况')['交易金额'].sum().reset_index()
df_pay_mary

在这里插入图片描述

python">import pandas as pd
import matplotlib.pyplot as plt 
import matplotlib.style as psl#魔法命令，用于在笔记本内联显示matplotlib图表
%matplotlib inline 
#确保图表以SVG格式显示
%config InlineBackend.figure_format = 'svg' plt.rcParams["font.sans-serif"] = 'Microsoft YaHei' #解决中文乱码问题
plt.rcParams['axes.unicode_minus'] = False #解决负号无法显示psl.use('ggplot')
#plt.figure(figsize=(9, 6)) #设置图表画布大小x=df_pay_mary['婚姻状况'].tolist()
y1=df_pay_mary['交易金额'].tolist()#绘制圆环图
plt.pie(y1,#用于绘制饼图的数据，表示每个扇形的面积labels=x,#各个扇形的标签，默认值为 None。radius=1.0,#设置饼图的半径，默认为 1startangle=90, #初始角度explode=[0.01,0], # 突出显示数据wedgeprops= dict(edgecolor = "w",width = 0.4),#指定扇形的属性，比如边框线颜色、边框线宽度等autopct='%.1f%%',#设置饼图内各个扇形百分比显示格式，%0.1f%% 一位小数百分比pctdistance=0.8#指定 autopct 的位置刻度)#设置标题
plt.title("不同婚姻状况交易金额占比", loc = "center")#图像展示
plt.show()

在这里插入图片描述

3.3 文化程度

python">data['文化程度'].tolist()[:10]

在这里插入图片描述

python">#导入词云图包
from wordcloud import WordCloud  
import matplotlib.pyplot as plt  #魔法命令，用于在笔记本内联显示matplotlib图表
%matplotlib inline 
#确保图表以SVG格式显示
%config InlineBackend.figure_format = 'svg' # 商品类别列表
product_categories = data['文化程度'].tolist()# 使用字典统计商品类别数量  
category_counts = dict()  
for category in product_categories:  if category in category_counts:  category_counts[category] += 1  else:  category_counts[category] = 1  #创建词云对象  
wordcloud = WordCloud(font_path='D:\\mydata\\CSDNdata\\msyh.ttf', background_color='white').generate_from_frequencies(category_counts)# 使用matplotlib绘制词云图  
plt.figure(figsize=(9, 6))  
plt.imshow(wordcloud, interpolation='bilinear')  
plt.axis("off") #图像展示
plt.show()

在这里插入图片描述

3.4 年龄段差异

python">df_age=data.groupby(['年龄分组'])['交易金额'].sum().reset_index()
df_age

在这里插入图片描述

python">import pandas as pd
import matplotlib.pyplot as plt 
import matplotlib.style as psl#魔法命令，用于在笔记本内联显示matplotlib图表
%matplotlib inline 
#确保图表以SVG格式显示
%config InlineBackend.figure_format = 'svg' plt.rcParams["font.sans-serif"] = 'Microsoft YaHei' #解决中文乱码问题
plt.rcParams['axes.unicode_minus'] = False #解决负号无法显示#psl.use('ggplot')
plt.figure(figsize = (9, 6)) #设置图表画布大小x=df_age['年龄分组'].astype('str').tolist()
y=df_age['交易金额'].tolist()#绘制柱状图
plt.bar(x,y,width=0.5,align="center",label="金额")plt.title("不同年龄段交易情况", loc="center")#设置标题#添加数据标签
for a,b in zip(x, y):plt.text(a,b,f'{b/10000:.1f}万',ha = "center", va = "bottom", fontsize = 10)plt.xlabel("年龄分段",labelpad=5)#设置x和y轴的名称
plt.ylabel("交易金额")plt.xticks(rotation=15,fontsize=9,color='k')#设置X坐标轴刻度
plt.yticks([])#设置不显示Y坐标轴刻度plt.legend(fontsize=9,)#显示图例plt.show()

在这里插入图片描述

4.用户画像仪表盘

python">import pandas as pd
import matplotlib.pyplot as plt 
import matplotlib.style as psl#魔法命令，用于在笔记本内联显示matplotlib图表
%matplotlib inline 
#确保图表以SVG格式显示
%config InlineBackend.figure_format = 'svg' plt.rcParams["font.sans-serif"] = 'Microsoft YaHei' #解决中文乱码问题
plt.rcParams['axes.unicode_minus'] = False #解决负号无法显示psl.use('ggplot')
plt.figure(figsize = (9, 7)) #设置图表画布大小#饼图
plt.subplot(2,2,1)
#导入数据
x=df_pay_sex['交易金额'].tolist()
labels = df_pay_sex['性别'].tolist()plt.pie(x,#导入数据autopct='%.1f%%',#数据标签labels=labels,startangle=90, #初始角度pctdistance=0.8,  # 设置百分比标签与圆心的距离explode=[0.01,0], # 突出显示数据textprops = {'fontsize':9, 'color':'k'}, # 设置文本标签的属性值counterclock = False, # 是否逆时针)
plt.title("不同性别交易金额占比",fontsize=12,color='k')#圆环图
plt.subplot(2,2,2)x=df_pay_mary['婚姻状况'].tolist()
y1=df_pay_mary['交易金额'].tolist()#绘制圆环图
plt.pie(y1,#用于绘制饼图的数据，表示每个扇形的面积labels=x,#各个扇形的标签，默认值为 None。radius=1.0,#设置饼图的半径，默认为 1startangle=90, #初始角度explode=[0.01,0], # 突出显示数据wedgeprops= dict(edgecolor = "w",width = 0.4),#指定扇形的属性，比如边框线颜色、边框线宽度等autopct='%.1f%%',#设置饼图内各个扇形百分比显示格式，%0.1f%% 一位小数百分比textprops = {'fontsize':9, 'color':'k'}, # 设置文本标签的属性值pctdistance=0.8#指定 autopct 的位置刻度)#设置标题
plt.title("不同婚姻状况交易金额占比",loc = "center",fontsize=12,color='k')#词云图
plt.subplot(2,2,3)
# 商品类别列表
product_categories = data['文化程度'].tolist()# 使用字典统计商品类别数量  
category_counts = dict()  
for category in product_categories:  if category in category_counts:  category_counts[category] += 1  else:  category_counts[category] = 1  #创建词云对象  
wordcloud = WordCloud(font_path='D:\\mydata\\CSDNdata\\msyh.ttf', background_color='white').generate_from_frequencies(category_counts)  # 使用matplotlib绘制词云图  
plt.title("不同文化程度交易情况", loc="center",fontsize=12,color='k',y=1.3)#设置标题 
plt.imshow(wordcloud, interpolation='bilinear')  
plt.axis("off") #柱形图
plt.subplot(2,2,4)  
x=df_age['年龄分组'].astype('str').tolist()
y=df_age['交易金额'].tolist()plt.bar(x,y,width=0.5,align="center",label="金额")
plt.title("不同年龄段交易情况", loc="center",fontsize=12,color='k')#设置标题#添加数据标签
for a,b in zip(x, y):plt.text(a,b,f'{b/10000:.1f}万',ha="center",va ="bottom",fontsize =9)plt.xlabel("年龄分段",labelpad=5,fontsize =9,color='k')#设置x和y轴的名称
plt.ylabel("交易金额",fontsize =9,color='k')plt.xticks(rotation=25,fontsize=8,color='k')#设置X坐标轴刻度
plt.yticks([])#设置不显示Y坐标轴刻度plt.suptitle("用户画像仪表盘",fontsize=16,color='k')
plt.show()
#plt.savefig('my_figure1.png')

在这里插入图片描述

总结

此项目适合毕设和课设学习等等。如果需要数据集或源码（每个代码详解）可在博主首页的“资源”下载。

📢文章下方有交流学习区！一起学习进步！💪💪💪
📢首发CSDN博客，创作不易，如果觉得文章不错，可以点赞👍收藏📁评论📒
📢你的支持和鼓励是我创作的动力❗❗❗


http://www.ppmy.cn/ops/156133.html

相关文章

【漫话机器学习系列】077.范数惩罚是如何起作用的（How Norm Penalties Work）

【漫话机器学习系列】077.范数惩罚是如何起作用的（How Norm Penalties Work）

范数惩罚的作用与原理 范数惩罚（Norm Penalty） 是一种常用于机器学习模型中的正则化技术，它的主要目的是控制模型复杂度，防止过拟合。通过对模型的参数进行惩罚（即在损失函数中加入惩罚项），使得…
阅读更多...
git 指定ssh key

git 指定ssh key

在git clone操作中指定SSH密钥，可以通过以下几种方法实现： 1 使用–config选项在克隆时指定密钥 当你克隆一个git仓库时，可以直接在命令中指定要使用的ssh密钥。这种方法适用于一次性操作，不需要修改全局或仓库级别的配置 git …
阅读更多...
S4 HANA手工记账Tax Payable – FB41

S4 HANA手工记账Tax Payable – FB41

本文主要介绍在S4 HANA OP中手工记账Tax Payable – FB41。具体请参照如下内容： 手工记账Tax Payable – FB41 该事务代码用于手工处理税码统驭科目的记账，一般税码科目需要设置为只能自动记账，因此无法手工对税码统驭科目记账，但…
阅读更多...
thymeleaf模板引擎

thymeleaf模板引擎

一、什么是thymeleaf模板引擎 模板引擎是为了解决用户界面（显示）与业务数据（内容）分离而产生的。 它可以生成特定格式的文档，常用的如格式如HTML、xml以及其他格式的文本格式，可以让（网站&…
阅读更多...
响应式编程_03响应式编程在Netflix Hystrix 、Spring Cloud Gateway、Spring WebFlux中的应用

响应式编程_03响应式编程在Netflix Hystrix 、Spring Cloud Gateway、Spring WebFlux中的应用

文章目录 概述响应式编程在主流开源框架中的应用Netflix Hystrix 中的滑动窗口 （基于RxJava框架）HystrixCircuitBreaker 如何动态获取系统运行时的各项数据如何实现滑动窗口？ 小结Spring Cloud Gateway 中的过滤器Filter (基于Project Reacto…
阅读更多...
Python利用VideoCapture和FFmpeg读取多个rtsp流性能的比较

Python利用VideoCapture和FFmpeg读取多个rtsp流性能的比较

最近一个项目，要用python读取30个海康摄像头的rtsp流，一开始直接用cv2.VideoCapture(video_path)，结果运行一段时间后发现读出来的frame经常出现花屏的现象。所以通过两种方式对程序进行了修改。 1、我先是通过cap.set(cv2.CAP_PROP_BUFFERS…
阅读更多...
Ollama AI 开发助手完全指南：从入门到实践

Ollama AI 开发助手完全指南：从入门到实践

本文将详细介绍如何使用 Ollama AI 开发助手来提升开发效率，包括环境搭建、模型选择、最佳实践等全方位内容。 © ivwdcwso (ID: u012172506) 目录 基础环境配置模型选择与使用开发工具集成实践应用场景性能优化与注意事项最佳实践总结一、基础环境配置 1.1 系统要求 在…
阅读更多...
基于AnolisOS8.6+Kubespray2.23部署Kubernetes-v1.27

基于AnolisOS8.6+Kubespray2.23部署Kubernetes-v1.27

测试环境 Virtual Box，AnolisOS-8.6-x86_64-minimal.iso，4 vCPU, 8G RAM, 50 vDisk。最小化安装。需联网。 系统环境 关闭防火墙 systemctl stop firewalld systemctl disable firewalld systemctl status firewalld selinux关闭 cat /etc/selinux/c…
阅读更多...
最新文章

Copyright @ 2022~2023