Pandas 透视表概述
数据透视表（Pivot Table）是一种交互式的表，可以进行某些计算，如求和与计数等。所进行的计算与数据跟数据透视表中的排列有关。
之所以称为数据透视表，是因为可以动态地改变它们的版面布置，以便按照不同方式分析数据，也可以重新安排行号、列标和页字段。每一次改变版面布置时，数据透视表会立即按照新的布置重新计算数据。另外，如果原始数据发生更改，则可以更新数据透视表。
Pandas pivot_table函数介绍：pandas有两个pivot_table函数
pandas.pivot_tablepandas.DataFrame.pivot_tablepandas.pivot_table 比 pandas.DataFrame.pivot_table 多了一个参数data，data就是一个dataframe，实际上这两个函数相同
pivot_table参数中最重要的四个参数 values,index,columns,aggfunc，下面通过案例介绍pivot_tabe的使用
零售会员数据分析案例
业务背景介绍
某女鞋连锁零售企业，当前业务以线下门店为主，线上销售为辅，通过对会员的注册数据以及的分析，监控会员运营情况，为后续会员运营提供决策依据。
会员等级说明：
白银: 注册(0)黄金: 下单(1~3888)铂金: 3888~6888钻石: 6888以上
案例中用到的数据：
会员信息查询.xlsx会员消费报表.xlsx门店信息表.xlsx全国销售订单数量表.xlsx
每月存量，增量是最基本的指标，通过会员数量考察会员运营情况
# 加载数据
import pandas as pd
custom_info=pd.read_excel('data/会员信息查询.xlsx')
custom_info.info()
# 会员信息查询
custom_info.head()
需要按月统计注册的会员数量
# 给 会员信息表 添加年月列
from datetime import datetime
custom_info.loc[:,'注册年月'] = custom_info['注册时间'].apply(lambda x : x.strftime('%Y-%m'))
custom_info[['会员卡号','会员等级','会员来源','注册时间','注册年月']].head()
month_count = custom_info.groupby('注册年月')[['会员卡号']].count()
month_count.columns = ['月增量']
month_count.head()
用数据透视表实现相同功能：dataframe.pivot_table()
index：行索引，传入原始数据的列名columns：列索引，传入原始数据的列名values: 要做聚合操作的列名aggfunc：聚合函数
custom_info.pivot_table(index = '注册年月',values = '会员卡号',aggfunc = 'count’)
计算存量 cumsum 对某一列 做累积求和 1 1+2 1+2+3 1+2+3+4 ...
#通过cumsum 对月增量做累积求和
month_count.loc[:,'存量'] = month_count['月增量'].cumsum()
month_count
可视化，需要去除第一个月数据
第一个月数据是之前所有会员数量的累积（数据质量问题）
由于会员等级跟消费金额挂钩，所以会员等级分布分析可以说明会员的质量
通过groupby实现，注册年月，会员等级，按这两个字段分组，对任意字段计数
分组之后得到的是multiIndex类型的索引，将multiIndex索引变成普通索引
custom_info.groupby(['注册年月','会员等级'])['会员卡号'].count().reset_index()
# 使得结果更美观
或使用unsatck:
custom_info.groupby(['注册年月','会员等级'])['会员卡号'].count().unstack()
使用透视表可以实现相同效果：
增量等级占比分析，查看增量会员的整体情况
整体等级分布
报表可视化
从业务角度，将会员数据拆分成线上和线下，比较每月线上线下会员的运营情况
将“会员来源”字段进行拆解，统计线上线下会员增量
各地区会销比
会销比的计算和分析会销比的作用
会销比 = 会员消费的金额 / 全部客户消费的金额
由于数据脱敏的原因，没有全部客户消费金额的数据，所以用如下方式替换
会销比 = 会员消费的订单数 / 全部销售订单数
会销比统计的是会员消费占所有销售金额的比例
通过会销比可以衡量会员的整体质量
加载数据
custom_consume=pd.read_excel('data/会员消费报表.xlsx')
all_orders=pd.read_excel('data/全国销售订单数量表.xlsx')
custom_consume.head()
all_orders.head()
为会员消费报表添加年月列
merge连接相当于SQL的join
剔除电商数据，统计会员购买订单数量：
全部订单数
计算各地区会销比
会员连带率分析
统计订单的数量：需要对"订单号"去重,并且只要"下单"的数据,"退单"的不要
统计消费商品数量
计算连带率
会员复购率分析
上面计算的数据为所有数据的复购率，我们要统计每年的复购率，所以要先对数据进行订单日期筛选，这里我们定义一个函数
统计2018年01月~2018年12月复购率和2018年02月~2019年01月复购率
计算2018年的复购率
计算2018年02月~2019年01月的复购率 计算复购率环比
相关文章
您阅读本篇文章共花了：
发表评论