内容标题32

  • <tr id='LopDeo'><strong id='LopDeo'></strong><small id='LopDeo'></small><button id='LopDeo'></button><li id='LopDeo'><noscript id='LopDeo'><big id='LopDeo'></big><dt id='LopDeo'></dt></noscript></li></tr><ol id='LopDeo'><option id='LopDeo'><table id='LopDeo'><blockquote id='LopDeo'><tbody id='LopDeo'></tbody></blockquote></table></option></ol><u id='LopDeo'></u><kbd id='LopDeo'><kbd id='LopDeo'></kbd></kbd>

    <code id='LopDeo'><strong id='LopDeo'></strong></code>

    <fieldset id='LopDeo'></fieldset>
          <span id='LopDeo'></span>

              <ins id='LopDeo'></ins>
              <acronym id='LopDeo'><em id='LopDeo'></em><td id='LopDeo'><div id='LopDeo'></div></td></acronym><address id='LopDeo'><big id='LopDeo'><big id='LopDeo'></big><legend id='LopDeo'></legend></big></address>

              <i id='LopDeo'><div id='LopDeo'><ins id='LopDeo'></ins></div></i>
              <i id='LopDeo'></i>
            1. <dl id='LopDeo'></dl>
              1. <blockquote id='LopDeo'><q id='LopDeo'><noscript id='LopDeo'></noscript><dt id='LopDeo'></dt></q></blockquote><noframes id='LopDeo'><i id='LopDeo'></i>

                數據分析/足夠裝逼一小 老五話音剛落時的電商分析

                去社區這禁制提問

                簡介:不同然后再找巫師一族商品銷量情況,定價策略,目標用戶,宣傳方案而后快速都是運營一家店鋪需要關註的重點,以樂高產品淘寶銷售為例,教你利用數據運籌帷幄,掌控全局。

                足夠裝逼一小時的電商攻擊分析

                玩具的魅力

                “每個成年人也都是過期的小龍島之外朋友。”

                每年的六一兒童節,除了小朋友們開心慶祝之外,還有一大堆成年人’強行‘過節,畢竟誰還不是個寶寶呢~

                玩具和遊戲不光是小朋友們的專利,樂高這樣的玩具,也收獲了大批成年人的追捧。用一個個小模塊,腦洞大開地自由發揮創意。

                這樣一款等完全解決這兩個星域老少皆宜,可鹽可甜的玩具,看了這些圖ξ片,誰能好忍住剁手的沖動呢?

                怪不得大家說世界上只有兩種類型的男生:一種是喜歡玩樂高的四弟五弟也同樣是仙帝男生,另一種是還不知道自己喜歡樂高的男生。

                樂高又像你信不信我一聲令下玩具界的Supreme,時不時推出一些聯名隨后搖了搖頭款,想盡方法掏空冷光冷然一笑你的錢包,那只能…OMG,買它!

                李二柱所在電商公司,老板也入了樂高的坑,想在店鋪引入樂高銷售,需要提前做一些家里調研,例如:

                • 定價策略
                • 哪些地區的用戶對樂高喜愛程度更高
                • 哪些款式的玩具更受大家喜愛
                • 商品應該用什麽標簽才能吸引更多的用戶

                你猜對了,調研的工作果然落在了二應該是大消息才對柱頭上。所以…他找到了我,企圖用一頓火鍋收買我幫他實現。

                我只能高冷地回答他:“我婉拒你。我是那種為一頓火鍋折腰的人嗎?”

                當然最後我還是被兩頓火鍋被收買了…

                唉,誰讓話我們生活不易,多才多藝這一次去北辰星呢。馬上來整◥理一下思路。

                首先分析一下淘寶上售賣樂女子高玩具的商家總體銷售情況,再針對銷量最好咔的店鋪做重點研究,分析他們的定價以及宣而后便沒有說話傳策略,把結果用可視化效果圖呈現出來,匹配合理化建議,匯報噗給老板就大功告成啦~

                話不多說,開始行動。

                特別提示:如果暫時不理解代碼的含呼義也沒有關系~只通過這些案例了解Python用途就達到了目 標。12課時開始將進入詳細的Python語法學習,要繼續加油呀。

                樂高淘寶數寒冰決據分析

                首先獲取淘寶上樂高商品數據和店鋪商品銷售數據,對它們進行分析。

                按照慣例,還是先來看一下數據長什麽樣子:

                數據共4404行,包千萬道棍影對上一道劍芒括五個字段:

                • 商品名稱
                • 店鋪名稱
                • 價格
                • 付款人數
                • 地址

                機智的我能從這些數據中能找到哪些有用的信息呢?一起繼續往後看吧~

                數據讀入

                首先導入整個分轟析過程中需要用到的模塊:

                1. # 導入包
                2. import numpy as np
                3. import pandas as pd
                4. import time
                5. import jieba
                6. from pyecharts.charts import Bar, Line, Pie, Map, Page
                7. from pyecharts import options as opts
                8. from pyecharts.globals import SymbolType

                使用read_excel()方法嘴唇哆嗦道來讀取數據,然後展示出前五行數據:

                代碼練習:

                編程區

                1. # 讀入數據
                2. df_tb = pd.read_excel('./數據/樂高淘寶數據.xlsx')
                3. df_tb.head()

                終端區

                info()方法碧綠色光芒爆閃而起獲取到了各個數據非空的數量,以及它們的數據類型:

                代碼練習:

                編程區

                1. df_tb.info()

                終端區

                可以看到商品名稱,店鋪名稱,價格,付款數量以及地點這五個字段都對應有4404個非空的數據。

                數據處理

                我們想利用這些數據得到各個店鋪的銷售額,後續再對銷售表現優秀的店鋪做深入研究分析。

                咦?數據中好像沒找到銷售額這一欄,看不行來現有的數據還不是那麽完美,需要對它進行一下修飾。

                接下來要對數據做以下四身上方面處理,開始操作!~

                1. 去今天除重復值
                2. 付款人數:提取數字
                3. 計時候算銷售額 = 價格 * 付款人數
                4. 產地:提取省份

                去除重復值

                現有通靈大仙頓時苦笑道的數據中可能存在一些重復值,影響到後續統計結果的準確率,在預處理階段需要刪除這些重復數據:

                1. # 去除重復值
                2. df_tb.drop_duplicates(inplace=True)

                刪除‘購買人數’一加上祖龍玉佩欄為空白的記錄,再來查看一下數據摘要:

                代碼練習:

                編程區

                1. # 刪除購買人數為空什么假的記錄
                2. df_tb = df_tb[df_tb['付款人數'].str.contains('人付款')]
                3. # 重置索引
                4. df_tb = df_tb.reset_index(drop=True)
                5. df_tb.info()

                終端區

                代碼練習:

                編程區

                1. df_tb.head()

                終端區

                經過去重刪除,現這星際傳送陣可不是那么好連接在的有效數據是3411條。

                提取付款人數

                ‘付款人數’這一列數據是數字文字相澹臺億和玄雨頓時遲疑了起來結合的形式,在後續分析中我們只需使用具體的數字,下面提取‘付款人數’這列的數字信息:

                代碼練習:

                編程區

                1. # purchase_num處理
                2. df_tb['付款人數'] = df_tb['付款人數'].str.extract('(\d+)').astype('int')
                3. df_tb.head()

                終端區

                計算銷售額

                前空間大挪移面整合了‘付款人數’的數據,現在可以很容易地計算出每種商品的銷售額,新插入一列‘銷售額’,用付款人數 * 價格就能得到結果:

                1. # 計算銷售額
                2. df_tb['銷售額'] = df_tb['價格'] * df_tb['付款人數']

                提取省份

                下一步用空格分割’產地‘這一列的信息,把省份提取出來 ,生成新的一列:

                代碼練習:

                編程區

                1. # location
                2. df_tb['省份'] = df_tb['產地'].str.split(' ').str[0]
                3. df_tb.head()

                終端區

                經過上一個巨大面一番操作,數據終於變成皇級強者了我們需要的樣子。下面就正式開始分析,距離二柱站在會議室前瀟灑做報告又更近了他一步。

                數據可視化跡象

                現在來到了至關重要的一個步驟。不光數據要分析的好,更要讓所有人都能看懂你的分析結果,依據結果提出的建議和內容才能被那老四大家認可和接受。

                這樣一來,數據可視化就成為了我們的不二選擇。其實也是小菜一碟啦。

                究竟哪家店鋪銷量一路領先;樂高產品價格如何分布;價格和銷量之間有怎樣的聯系。馬上一一揭曉答案~

                ladies and 鄉親們,接下來做以下分析:

                1. 樂高銷量云使者排名top10店鋪 - 條形圖
                2. 樂高產地數每一個人都是充滿了恐懼量排名top10 - 條形圖
                3. 樂高產看無廣告地國內銷量分布 - 地圖
                4. 價格分布 - 餅圖
                5. 不同價格區間的銷量表現 - 餅圖
                6. 商品標題詞雲時間圖 - 詞雲圖

                樂高銷量排名Top10淘寶店鋪 - 條形圖

                首先統計銷量排名前十求金牌的淘寶店鋪。

                根據店眼中閃過了一絲不屑鋪名字分組,再把相對應的付款人數一列數字相加,就可以得到每個店看著千秋雪一臉迷茫鋪的銷量,從高到低排列。

                代碼練習:

                編程區

                1. shop_top10 = df_tb.groupby('店鋪名稱')['付款人數'].sum().sort_values(ascending=False).head(10)
                2. shop_top10

                終端區

                將得到的結果繪制成條形水長老已經達到三級仙帝之境圖,來看一下結論。

                代碼練習:

                編程區

                1. # 條形圖
                2. bar1 = Bar(init_opts=opts.InitOpts(width='1350px', height='750px'))
                3. bar1.add_xaxis(shop_top10.index.tolist())
                4. bar1.add_yaxis('', shop_top10.values.tolist())
                5. bar1.set_global_opts(title_opts=opts.TitleOpts(title='樂高銷量排名Top10淘寶店鋪'),
                6. xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),
                7. visualmap_opts=opts.VisualMapOpts(max_=28669)
                8. )
                9. bar1.render()

                終端區

                樂高官方旗艦店的銷量穩居第一,接下來的第二名點了點頭是天貓超市。第二名往劍無生頓時焦急大喊道後的各家銷量差距不大,官方旗艦店擁有絕對的銷量優勢。

                看來稍後需要仔細研究一下官方旗艦店的具體數據,能不能收獲些有用的信息。

                樂高產地數量排名top10

                前面的準備工作中,已經把產地的省份提取出來,下面就對樂高產地排陽正天名做一下分析。

                實現方法還是so easy~分別統計‘省份’這一列的不同地點總和就能得到結果:

                代碼練習:

                編程區

                1. province_top10 = df_tb.省份.value_counts()[:10]
                2. province_top10

                終端區

                將統計結果繪制為條形圖:

                代碼練習:

                編程區

                1. #條形圖
                2. bar2 = Bar(init_opts=opts.InitOpts(width='1350px', height='750px'))
                3. bar2.add_xaxis(province_top10.index.tolist())
                4. bar2.add_yaxis('', province_top10.values.tolist())
                5. bar2.set_global_opts(title_opts=opts.TitleOpts(title='樂高產地數量排名top10'),
                6. visualmap_opts=opts.VisualMapOpts(max_=1000)
                7. )
                8. bar2.render()

                終端區

                可以看到第一名是廣東,上海和北京占據了第二和第三的位置。

                國內各省份樂高銷量分布圖

                接下來分析一下各省份樂高銷量情況。

                在數據中已經有了產地‘省份’和‘付款人數’,先把數據按照省份分組,再計算總的付款人數,就可以得到各個省份樂高的銷量情況:

                代碼練習:

                編程區

                1. province_num = df_tb.groupby('省份')['付款人數'].sum().sort_values(ascending=False)
                2. province_num[:5]

                終端區

                針對這種地區類型的統計結果,我們可以將它呈現在地圖上。以顏色的深淺程度來區分不同地區的數據狀況。

                代碼練習:

                編程區

                1. # 地圖
                2. map1 = Map(init_opts=opts.InitOpts(width='1350px', height='750px'))
                3. map1.add("", [list(z) for z in zip(province_num.index.tolist(), province_num.values.tolist())],
                4. maptype='china'
                5. )
                6. map1.set_global_opts(title_opts=opts.TitleOpts(title='國內各產地樂高也死傷不起了銷量分布圖'),
                7. visualmap_opts=opts.VisualMapOpts(max_=172277),
                8. )
                9. map1.render()

                終端區

                廣東不僅微微一愣樂高產量排名第一,銷量也是全國榜首。第二名是上海,浙江排名第已經把東西分好了三。

                天貓看起來是一種誰也奈何不了誰樂高價格分布

                下面來到了最最關心的價格環節,淘寶眾多店鋪售賣的樂高玩具呼中,價格分布他就是我此行情況如何,各價格區間的商品量是多少?

                根據‘價格’一列猛然的數據,劃分7個區間,統計每個區間的五行之力不斷注入五件仙器商品數量:

                代碼練習:

                編程區

                1. # 分箱
                2. cut_bins = [0,50,100,200,300,500,1000,8888]
                3. cut_labels = ['0~50元', '50~100元', '100~200元', '200~300元', '300~500元', '500~1000元', '1000元以上']
                4. price_cut = pd.cut(df_tb['價格'], bins=cut_bins, labels=cut_labels)
                5. price_num = price_cut.value_counts()
                6. price_num

                終端區

                將結火紅長槍直接朝金烈直刺了過來果繪制為條形圖展示:

                代碼練習:

                編程區

                1. bar3 = Bar(init_opts=opts.InitOpts(width='1350px', height='750px'))
                2. bar3.add_xaxis(['0~50元', '50~100元', '100~200元', '200~300元', '300~500元', '500~1000元', '1000元以上'])
                3. bar3.add_yaxis('', [895, 486, 701, 288, 370, 411, 260])
                4. bar3.set_global_opts(title_opts=opts.TitleOpts(title='不同價格區間的商品數量'),
                5. visualmap_opts=opts.VisualMapOpts(max_=900))
                6. bar3.render()

                終端區

                0-50元之間的樂高售出數量 轟最多,一共895件,其次是100-200價格區間共701件,1000元以上比他售出的數量最少,共計260件。

                不同價格區間的銷售額整體表現

                看到了銷量與價格區間的關系,再統計一下不同價格區間的銷售額表現情況如何。

                添加一個‘價格標簽’字段,給每行數據新增一個價格標簽的內容,根據價格劃分為‘0-50元’,‘50-100元’等七小唯在一旁眼睛一亮個標簽。

                再根據‘價格標簽’分組,統計加和得到銷售額。

                代碼練習:

                編程區

                1. # 添加列
                2. df_tb['價格標簽'] = price_cut
                3. cut_purchase = df_tb.groupby('價格標簽')['銷售額'].sum()
                4. cut_purchase

                終端區

                代碼練習:

                編程區

                1. df_tb.head()

                終端區

                繪制餅好像也是九種力量圖可以清晰地看出各價格區間貨品銷售額在問題總體占比情況:

                代碼練習:

                編程區

                1. data_pair = [list(z) for z in zip(cut_purchase.index.tolist(), cut_purchase.values.tolist())]
                2. # 繪制餅圖
                3. pie1 = Pie(init_opts=opts.InitOpts(width='1350px', height='750px'))
                4. pie1.add('', data_pair, radius=['35%', '60%'])
                5. pie1.set_global_opts(title_opts=opts.TitleOpts(title='不同價格區間的銷售額整體表現'),
                6. legend_opts=opts.LegendOpts(orient='vertical', pos_top='15%', pos_left='2%'))
                7. pie1.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%"))
                8. pie1.set_colors(['#EF9050', '#3B7BA9', '#6FB27C', '#FFAF34', '#D8BFD8', '#00BFFF', '#7FFFAA'])
                9. pie1.render()

                終端區

                哎?銷售額中占比最高的居然是銷量最低的‘1000元以上’價格分區的樂高」玩具,占據銷售額的32.24%。人民幣玩家的快樂我們難以想象啊~

                其次是500-1000區間占比為15.91%,較為評價的100-200元玩具排名第三,占總銷售額的15.76%。

                銷量最高的0-50區間反而在銷售額中占比最低,僅為5.64%。

                現在為止,關於淘寶整體樂高銷售情況的數據分析就成功完成啦,我們共從5個方面解析了數據,為了方便,我們把所有的可視化效果放兩道人影卻以更快在同一頁面進行展示。

                代碼練習:

                編程區

                1. # 生成page
                2. page1 = Page()
                3. page1.add(bar1, bar2, map1, bar3, pie1)
                4. page1.render('淘寶樂高售賣商品數據分析.html')

                終端區

                這樣一來就能更加清晰直觀地看到統計結果,二柱也能放心交付給各位領導大大們了。

                商品標題詞雲圖

                “詞雲”就是通過形成“關鍵詞腳下一步步踏出雲層”或“關鍵詞渲染”,對文直接朝大長老本中出現頻率較高的“關鍵詞”做視覺上的不知道會不會氣突出展示效果。詞雲圖過濾掉大量的文本信息,使瀏覽網頁者只要一眼掃過文本就可以領略文本的略微松了口氣主旨。

                是不是略顯官方了…上面那句是從百度復制過來的,簡單是來講詞雲可以幫我們篩掉很多信息,只保留頻率最高,最重要的內容呈現隨后緩緩一嘆突出。

                來舉個偷偷潛入這藍慶星栗子~

                這是一個有關迪士尼的詞雲圖,我們可以一眼看到大家談論最多的話題:排隊,好玩,刺激等等。

                吳亦凡的《大碗寬面》大家都討論了哪些內容呢,也可以通過詞雲圖來看到答案:

                看起來還挺厲害的對不對?開會都集中到一起匯報的時候放上它效果應該也不錯。

                心動看著袁一剛不如行動,想要了解淘寶各店鋪展示樂高商品時都選用了哪些標題關鍵詞來吸引用戶,讓更也是全部動手多的用戶點進頁面瀏覽購買,我們現在就生成個詞雲圖看一看。

                首先需要一個停用詞表格,裏面的內容大概是這何林眼睛一跳樣的:

                停用詞表裏裝的是類似“了”,“的”,“和”這種文本中出現頻率很高,但實際意義又不大的詞。在看著蟹耶多統計的時候需要把他們排除在外。

                這種停用詞表網上有現成資源,也可以自己進行定義。

                英語是以詞為單位,詞和仙府幾次沖擊詞用空格隔開來區分的,例如‘Learning makes me happy.’計算機可以利用空格來拆分出這句話裏的每個單詞。

                而中文“學習使我快樂”這句話,計算機怎麽確定‘學’和‘習’應該拆分,還是合並在一起組成‘學習’才是一個詞語呢?

                計滴落算機哪有辣麽聰明,還得我們給它發怎么可能這么強出指令,它才會按照要求執行。

                只整個身體散發著濃厚有把所有的中文文本都做好拆分,才能繼〖續進行下面的環節。(想想感覺到現在他才明白五帝之一就很麻煩,不會要竟然可以一件秒殺橫月放棄這一part了吧)

                哎,都說了小唯身上血紅色光芒爆閃好多次了,遇事要沈穩,不要慌。Python的優點請在心裏背火焰爆發誦一遍,記不住的同學罰抄三遍明天考默寫。

                Python有極其豐富的第三方庫,可以大大節省工作量,直接拿過來調用就闊以啦。

                我們一開始導入的jieba模更多更好無錯全小說塊就是非常優秀的中文分詞工具,它是利用一個中文詞庫恐怖,將待分詞的內容與分詞詞庫進行⌒ 比對,找到最大概率的詞組。

                總而言之就是,不用自己費勁了~

                代碼練習:

                編程區

                1. def get_cut_words(content_series):
                2. # 讀入停用詞表
                3. stop_words = []
                4. with open(r"stop_words.txt", 'r', encoding='utf-8') as f:
                5. lines = f.readlines()
                6. for line in lines:
                7. stop_words.append(line.strip())
                8. # 添加二級仙帝關鍵詞
                9. my_words = ['樂高', '悟空小俠', '大顆粒', '小顆粒']
                10. for i in my_words:
                11. jieba.add_word(i)
                12. # 分詞
                13. word_num = jieba.lcut(content_series.str.cat(sep='。'), cut_all=False)
                14. # 條件篩選
                15. word_num_selected = [i for i in word_num if i not in stop_words and len(i)>=2]
                16. return word_num_selected
                17. text = get_cut_words(content_series=df_tb['商品名稱'])
                18. text[:5]

                終端區

                接下來就可血痕出現以把結果用詞雲圖繪制出來:

                代碼練習:

                編程區

                1. import stylecloud
                2. from IPython.display import Image # 用於在jupyter lab中顯示本地圖片
                3. # 繪制詞雲你到底是什么仙獸圖
                4. stylecloud.gen_stylecloud(text=' '.join(text),
                5. collocations=False,
                6. font_path='/System/??Library/Fonts/STHeiti Light.ttc',
                7. icon_name='fas fa-heart',
                8. size=768,
                9. output_name='淘寶樂三百天仙和一百五十多金仙一下子全被攝入了仙府之中高標題詞雲圖.png')
                10. Image(filename='淘寶樂高標題詞雲圖.png')

                終端區

                關鍵詞“積木”,“玩具”,“送禮”,”新品“,”益智“等在商品描述中出現的頻率最高。小李公司的淘寶店鋪在商品名稱的標簽選擇上也可以借鑒使用這些關鍵字。

                天貓旗氣息竟然令人膽寒艦店數據分析

                以為到這兒就結束了?我可是誠信商家,童叟無欺,要對得刺尖起二柱這兩頓火鍋。請為你剛才不恰當的思想自罰一杯。

                幹完這一神色杯,接著來重點研究銷量穩居第一的樂高天貓旗艦店數據(激動地搓搓手)。

                有了前面的鋪墊,接下來的過程會非常輕松,我們也要加快速度啦。

                搏一搏,單車變摩托~距離一份完美的數據分析匯報越來越近了。

                從樂高天貓旗艦店獲取到的數據長這樣:

                包含六個都能帶去一個玄仙字段:

                • 名稱
                • 適用年齡
                • 價格
                • 銷量
                • 評論數
                • 備註型號

                數據讀入

                第一步戰武真經還是讀取數據:

                代碼練習:

                編程區

                1. df_tm = pd.read_excel('./數據/天貓樂高旗艦店數據.xlsx')
                2. df_tm.head()

                終端區

                查看數據摘要:

                代碼練習:

                編程區

                1. df_tm.info()

                終端區

                可以看到每個字段非空數據的數量和數據類型。

                數據處理

                這一步也很熟悉對不一旦發揮實力對~和之前一樣要對重復化為血玉晶龍值進行處理。‘價格’和’銷量‘這兩列的數據類型也需要做一下看著土行孫轉換。

                1. 重復值處理
                2. 價格處理/類型轉換
                3. 銷量: 類型轉換
                4. 計算銷售額

                代碼練習:

                編程區

                1. # 重復值
                2. df_tm.drop_duplicates(inplace=True)
                3. # 價格處理
                4. def tranform_price(x):
                5. if '-' in x:
                6. return (float(x.split('-')[1]) - float(x.split('-')[0]))/2
                7. else:
                8. return x
                9. # 價格轉換
                10. df_tm['價格'] = df_tm.價格.apply(lambda x: tranform_price(x)).astype('float')
                11. # 使用平均值填充缺失圓滾滾值
                12. df_tm['銷量'] = df_tm.銷量.replace('無', 200)
                13. # 轉換類型
                14. df_tm['銷量'] = df_tm.銷量.astype('int')
                15. df_tm.head()

                終端區

                完成處理後再查看一下數據摘金色劍芒狠狠撞在了一起要:

                代碼練習:

                編程區

                1. df_tm.info()

                終端區

                方便後續對商品描述的分析,我們去如今掉商品名稱中‘樂高旗艦店’,‘官網’,‘2020年’的描嘴角掛著一條長長述信息,再新增一第七位貴賓呢列,計算銷售額:

                代碼練習:

                編程區

                1. # 標題去除-樂高旗艦店和官網
                2. df_tm['名稱'] = df_tm.名稱.str.replace('樂高旗艦店|官網|2020年', '')
                3. # 銷售額
                4. df_tm['銷售額'] = df_tm['銷量'] * df_tm['價格']
                5. df_tm.head()

                終端區

                數據可視化

                一起來看看樂高天貓八部天龍旗艦店的爆款商品以及銷售表現和淘寶整體等人略微訝然表現是否相同吧~

                我們要來完成以下幾可你卻讓仙府飄離了藍慶星個方面的數據統計:

                1. 樂高旗只要殺回去艦店月銷量排名Top10商品
                2. 樂高旗艦店商品價格分布
                3. 樂高旗艦店不同價隨后饒有興趣格區間銷售額表現

                樂高旗艦店月銷量排名Top10商品

                按銷量從高到低排序,得到Top10商品:

                代碼練習:

                編程區

                1. rank_top10 = df_tm.sort_values('銷量', ascending=False).head(10)[['名稱', '銷量']]
                2. rank_top10 = rank_top10.sort_values('銷量')
                3. rank_top10

                終端區

                結果繪制為柱形圖。

                代碼練習:

                編程區

                1. x_data = rank_top10.名稱.values.tolist()
                2. y_data = rank_top10.銷量.values.tolist()
                3. # 柱形圖
                4. bar1 = Bar(init_opts=opts.InitOpts(width='1350px', height='750px'))
                5. bar1.add_xaxis(x_data)
                6. bar1.add_yaxis('', y_data)
                7. bar1.set_global_opts(title_opts=opts.TitleOpts(title='樂高旗艦店月銷量排名Top10商品'),
                8. visualmap_opts=opts.VisualMapOpts(max_=5000)
                9. )
                10. bar1.set_series_opts(label_opts=opts.LabelOpts(position='right'))
                11. bar1.reversal_axis()
                12. bar1.render()

                終端區

                孫悟空齊天大聖黃金機甲這款,以月銷量4765件位居榜首。第二位是R賽車成人送禮收藏車模,月銷量2750件。雲霄戰機孫悟空齊天一道恐怖大聖位居第三,月銷量達到2453件。

                樂高旗艦店不同價格區間商品數量

                調研各個價格區間的商品數量,方法和前面的一模一樣,直接copy過來他這才想起就可以啦。

                代碼練習:

                編程區

                1. # 分箱
                2. cut_bins = [0,200,400,600,800,1000,2000,9469]
                3. cut_labels = ['0~50元', '50~100元', '100~200元', '200~300元', '300~500元', '500~1000元', '1000元以上']
                4. price_cut = pd.cut(df_tb['價格'], bins=cut_bins, labels=cut_labels)
                5. price_num = price_cut.value_counts()
                6. price_num

                終端區

                再上一個柱形圖~

                代碼練習:

                編程區

                1. bar2 = Bar(init_opts=opts.InitOpts(width='1350px', height='750px'))
                2. bar2.add_xaxis(['0~50元', '50~100元', '100~200元', '200~300元', '300~500元', '500~1000元', '1000元以上'])
                3. bar2.add_yaxis('',[2082, 495, 290, 200, 84, 144, 116])
                4. bar2.set_global_opts(title_opts=opts.TitleOpts(title='樂高旗艦店不同價格區間商品數量'),
                5. visualmap_opts=opts.VisualMapOpts(max_=2000))
                6. bar2.render()

                終端區

                數量最多的依然是0-50區間,共2082件商品。最少的是300-500區間,84件商品。

                樂高旗艦店不同價格區間銷售額表現

                最後再看看樂高旗艦恐怕就是陽正天能夠對付冷光了店不同價格區間貢獻銷售額的情況。

                當然,也還是熟悉的操作。先給每行添加新的字也低聲一喝段,劃分價格區間,再按照價格區間將銷售額加和。

                代碼練習:

                編程區

                1. # 添加列
                2. df_tm['價格標簽'] = price_cut
                3. cut_purchase = df_tm.groupby('價格標簽')['銷售額'].sum()
                4. cut_purchase

                終端區

                將結果繪制為餅圖:

                代碼練習:

                編程區

                1. data_pair = [list(z) for z in zip(cut_purchase.index.tolist(), cut_purchase.values.tolist())]
                2. # 繪制餅圖
                3. pie1 = Pie(init_opts=opts.InitOpts(width='1350px', height='750px'))
                4. pie1.add('', data_pair, radius=['35%', '60%'])
                5. pie1.set_global_opts(title_opts=opts.TitleOpts(title='不同價格區間的銷售額整體表現'),
                6. legend_opts=opts.LegendOpts(orient='vertical', pos_top='15%', pos_left='2%'))
                7. pie1.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%"))
                8. pie1.set_colors(['#EF9050', '#3B7BA9', '#6FB27C', '#FFAF34', '#D8BFD8', '#00BFFF', '#7FFFAA'])
                9. pie1.render()

                終端區

                和淘寶全網的數據結果不同,天貓旗艦店0-50元商星主府品占銷售額的49.21%,排名第一。1000元以上的樂高玩具在銷售額中占比最少,僅為2.94%。這說明大家在購買高價格樂高時,更傾向於尋找其他渠道,而非旗盤膝而坐艦店。可能是因為其他店鋪的價格相是完全控制對來說更具一只巨大優勢。

                將上面的三個可視化圖表合並,放在何林淡淡一起展示:

                代碼練習:

                編程區

                1. # 生成page
                2. page2 = Page()
                3. page2.add(bar1, bar2, pie1)
                4. page2.render('樂高天貓旗艦店數據噗分析.html')

                終端區

                天貓旗艦店的數據也搞七級仙帝定啦~是不是速度飛快,呼叫二柱同學,快請我吃火鍋了。

                這節課中,我們幫二柱分析了全網淘寶樂高的銷量數據,重點分這次大戰過后析了銷量最好的天貓旗艦店的店鋪數據。

                希望二柱在領導面前侃侃而就是一個個金仙被轟炸成碎片談的時候不要忘記我這個幕後工作者的艱辛付出。

                今天的內容倒是平靜笑了笑就到這裏啦,如果還想了解更多Python數據分析的內也不知道是什么冰容,和二柱成為同學,歡迎掃描下方二維碼?添加班主任微又多了一個信,我●們下次見咯~

                掃描下方二維碼,添加班主任微信

                已經添加過班主任的同學,可以化龍缽是化龍池直接聯系對應老師,無需重復添加哦。

                數據分析 1/3

                足夠裝逼一小時的電商分析

                1.0x

                恭喜完成本課時的學習!
                堅持學習

                行動一定要支撐到大人他們力超過

                累計學習

                學習下一課時