学习数据分析的朋友们都可以来看看哦每周分享数据分析案例

Posted 2021-12-18 报告，今天也有好好学习

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了学习数据分析的朋友们都可以来看看哦每周分享数据分析案例相关的知识，希望对你有一定的参考价值。

最近更博客的频率基本是一周一更了，然后最近的博客也基本会是跟大家分享一些数据分析相关的案例（哈哈哈，就当练练“手感”了）。

目前我的博客也已经记录下了很多数据分析相关的案例，也基本都放在了我的数据分析专栏，学习数据分析的朋友可以多看看哦。

前言

分析背景

Airbnb在全球拥有广泛丰富的用户出行场景。自身在APP和网页端以及通过各种营销渠道会收集到非常全面的用户行为数据。通过这些数据，锁定潜在的目标客群并制定相应的营销策略是Airbnb发展的重要基石。

分析目标

根据用户数据及消费行为数据

使用Python对客户进行聚类分群，并给出用户画像
通过数据，分析用户群体的核心特征

1 数据概况分析

id: 唯一的用户id
date_account_created: 用户注册日期
date_first_booking: 第一次订房日期
gender: 性别
age: 年龄
Married: 已婚
Children: 小孩数量
android: 曾在Android客户端预订
moweb: 曾在手机移动网页预订
web: 曾在电脑网页预订
ios: 曾在iOS端预订
Language_EN: 使用英文语言
Language_Zh: 使用中文语言
Country_US: 目的地是美国
Country_EUR: 目的地是欧洲国家

#导入模块和数据
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

airbnb = pd.read_csv('airbnb.csv')
airbnb.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 67936 entries, 0 to 67935
Data columns (total 14 columns):
 #   Column                Non-Null Count  Dtype 
---  ------                --------------  ----- 
 0   age                   67936 non-null  int64 
 1   date_account_created  67936 non-null  object
 2   date_first_booking    67936 non-null  object
 3   gender                67936 non-null  object
 4   Language_EN           67936 non-null  int64 
 5   Language_ZH           67936 non-null  int64 
 6   Country_US            67936 non-null  int64 
 7   Country_EUR           67936 non-null  int64 
 8   android               67936 non-null  int64 
 9   moweb                 67936 non-null  int64 
 10  web                   67936 non-null  int64 
 11  ios                   67936 non-null  int64 
 12  Married               67936 non-null  int64 
 13  Children              67936 non-null  int64 
dtypes: int64(11), object(3)
memory usage: 7.3+ MB

airbnb.head()

	age	date_account_created	date_first_booking	gender	Language_EN	Country_US	android	moweb	web	Married	Children
0	56	9/28/2010	8/2/2010	F	1	1	1	0	1	1	1
1	42	12/5/2011	9/8/2012	F	1	0	0	1	1	0	1
2	41	9/14/2010	2/18/2010	U	1	1	1	0	1	0	2
3	46	1/2/2010	1/5/2010	F	1	1	1	0	1	0	2
4	47	1/3/2010	1/13/2010	F	1	1	1	0	1	1	3

用户的个人信息：

发现日期变量：date_account_created, date_first_booking是object变量，需要调整
发现gender也是object变量，需要调整

2 单变量分析

2.1 数字型变量（age异常值的处理）

#查看数字型变量的核心指标
airbnb.describe()

	age	Language_EN	Language_ZH	Country_US	Country_EUR	android	moweb	web	ios	Married	Children
count	67936.000000	67936.000000	67936.000000	67936.000000	67936.000000	67936.000000	67936.000000	67936.000000	67936.000000	67936.000000	67936.000000
mean	47.874249	0.974476	0.005947	0.713907	0.159091	0.658355	0.340423	0.895828	0.067534	0.790155	1.536696
std	146.090906	0.157711	0.076886	0.451937	0.365764	0.474265	0.473855	0.305485	0.250947	0.407201	0.836273
min	2.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000
25%	28.000000	1.000000	0.000000	0.000000	0.000000	0.000000	0.000000	1.000000	0.000000	1.000000	1.000000
50%	33.000000	1.000000	0.000000	1.000000	0.000000	1.000000	0.000000	1.000000	0.000000	1.000000	1.000000
75%	42.000000	1.000000	0.000000	1.000000	0.000000	1.000000	1.000000	1.000000	0.000000	1.000000	2.000000
max	2014.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	3.000000

age最大值为2014显然是异常的，故数据需要清理

#假定使用airbnb的目标客群为18 - 80岁
airbnb = airbnb[airbnb['age'] >= 18]
airbnb = airbnb[airbnb['age'] <= 80]

airbnb['age'].describe()

count    66473.000000
mean        36.040483
std         10.963735
min         18.000000
25%         28.000000
50%         33.000000
75%         41.000000
max         80.000000
Name: age, dtype: float64

airbnb['age'].value_counts()

30    3614
31    3522
32    3445
29    3404
28    3376
      ... 
76      32
77      29
78      22
79      22
80      18
Name: age, Length: 63, dtype: int64

用户年龄分布在18 - 80岁，平均年龄为36岁，中位数为33岁。其中28 - 32岁用户为消费主体
说明年龄大的用户居多，所以拉开了整体数据分布

2.2 类别型变量

2.2.1 date的调整

常见操作1：将用户注册的年份提取
常见操作2：计算从用户注册到现在的时间，更加有价值
- 第一步：将注册日期转变为日期时间的格式
- 第二步：将年份从众提取出来，即用2020-注册日期的年份

#将注册日期转变为日期时间的格式
airbnb['date_account_created'] = pd.to_datetime(airbnb['date_account_created'])

airbnb.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 66473 entries, 0 to 67935
Data columns (total 14 columns):
 #   Column                Non-Null Count  Dtype         
---  ------                --------------  -----         
 0   age                   66473 non-null  int64         
 1   date_account_created  66473 non-null  datetime64[ns]
 2   date_first_booking    66473 non-null  object        
 3   gender                66473 non-null  object        
 4   Language_EN           66473 non-null  int64         
 5   Language_ZH           66473 non-null  int64         
 6   Country_US            66473 non-null  int64         
 7   Country_EUR           66473 non-null  int64         
 8   android               66473 non-null  int64         
 9   moweb                 66473 non-null  int64         
 10  web                   66473 non-null  int64         
 11  ios                   66473 non-null  int64         
 12  Married               66473 non-null  int64         
 13  Children              66473 non-null  int64         
dtypes: datetime64[ns](1), int64(11), object(2)
memory usage: 7.6+ MB

date_account_created的数据格式已转换为datetime64

#将年份从众提取出来，即用2020-注册日期的年份
airbnb['year_since_account_created'] = airbnb['date_account_created'].apply(lambda x: 2020 - x.year)

airbnb['year_since_account_created'].describe()

count    66473.000000
mean         7.035819
std          0.965431
min          6.000000
25%          6.000000
50%          7.000000
75%          8.000000
max         10.000000
Name: year_since_account_created, dtype: float64

airbnb['year_since_account_created'].value_counts()

7     25497
6     22469
8     13182
9      4307
10     1018
Name: year_since_account_created, dtype: int64

发现注册时间距今最短是6年，最长的是10年
注册时间多集中在6 - 7年

#同样方法处理date_first_booking
airbnb['date_first_booking'] = pd.to_datetime(airbnb['date_first_booking'])

airbnb['year_since_first_booking'] = airbnb['date_first_booking'].apply(lambda x: 2020 - x.year)

airbnb['year_since_first_booking'].describe()

count    66473.000000
mean         6.907481
std          0.995303
min          5.000000
25%          6.000000
50%          7.000000
75%          7.000000
max         10.000000
Name: year_since_first_booking, dtype: float64

发现第一次订房时间距今最短是5年，最长的是10年
这样的衍生变量在预测消费者购买能够更好得到潜在的效果

#既然已经将日期转变为了距今的年份，就可以将两个日期变量删除
airbnb.drop(airbnb.select_dtypes(['datetime64']), axis = 1, inplace = True)
airbnb.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 66473 entries, 0 to 67935
Data columns (total 14 columns):
 #   Column                      Non-Null Count  Dtype 
---  ------                      --------------  ----- 
 0   age                         66473 non-null  int64 
 1   gender                      66473 non-null  object
 2   Language_EN                 66473 non-null  int64 
 3   Language_ZH                 66473 non-null  int64 
 4   Country_US                  66473 non-null  int64 
 5   Country_EUR                 66473 non-null  int64 
 6   android                     66473 non-null  int64 
 7   moweb                       66473 non-null  int64 
 8   web                         66473 non-null  int64 
 9   ios                         66473 non-null  int64 
 10  Married                     66473 non-null  int64 
 11  Children                    66473 non-null  int64 
 12  year_since_account_created  66473 non-null  int64 
 13  year_since_first_booking    66473 non-null  int64 
dtypes: int64(13), object(1)
memory usage: 7.6+ MB

2.2.2 gender的调整

#对gender进行哑变量处理
airbnb = pd.get_dummies(airbnb)
airbnb.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 66473 entries, 0 to 67935
Data columns (total 16 columns):
 #   Column                      Non-Null Count  Dtype
---  ------                      --------------  -----
 0   age                         66473 non-null  int64
 1   Language_EN                 66473 non-null  int64
 2   Language_ZH                 66473 non-null  int64
 3   Country_US                  66473 non-null  int64
 4   Country_EUR                 66473 non-null  int64
 5   android                     66473 non-null  int64
 6   moweb                       66473 non-null  int64
 7   web                         66473 non-null  int64
 8   ios                         66473 non-null  int64
 9   Married                     66473 non-null  int64
 10  Children                    66473 non-null  int64
 11  year_since_account_created  66473 non-null  int64
 12  year_since_first_booking    66473 non-null  int64
 13  gender_F                    66473 non-null  uint8
 14  gender_M                    66473 non-null  uint8
 15  gender_U                    66473 non-null  uint8
dtypes: int64(13), uint8(3)
memory usage: 7.3 MB

3 相关和可视化

3.1 观察age与其他用户个人信息的相关关系

set1 = airbnb[['age', 'Children', 'Married', 'Language_EN', 'Country_US']]
set1.corr()

	age	Children	Married	Language_EN	Country_US
age	1.000000	0.095667	0.042270	0.057721	-0.026222
Children	0.095667	1.000000	0.044594	0.011395	0.019058
Married	0.042270	0.044594	1.000000	0.002781	0.001530
Language_EN	0.057721	0.011395	0.002781	1.000000	0.005160
Country_US	-0.026222	0.019058	0.001530	0.005160	1.000000

sns.heatmap(set1.corr(), cmap = 'pink')

用户的age与使用英语且家中小孩较多的变量成正相关关系，说明Airbnb在age越大，英语使用频率高和小孩较多的家庭中比较受欢迎
但age与目的地是美国的变量成负相关关系，说明用户age越大，越可能去美国之外的国家使用Airbnb
age与其他用户个人信息的相关关系都太弱，对后续分析意义不大

3.2 观察age与用户下单渠道和性别的相关关系

set2 = airbnb[['age', 'android', 'moweb', 'web', 'ios', 'gender_F', 'gender_M']]
set2.corr()

	age	android	moweb	web	ios	gender_F	gender_M
age	1.000000	0.079089	-0.078795	0.089291	-0.073365	-0.045750	0.025568
android	0.079089	1.000000	-0.997242	0.022491	-0.035327	-0.070349	-0.156132
moweb	-0.078795	-0.997242	1.000000	-0.014833	0.036069	0.071656	0.156145
web	0.089291	0.022491	-0.014833	1.000000	-0.790675	0.022285	-0.017945
ios	-0.073365	-0.035327	0.036069	-0.790675	1.000000	-0.025997	0.029723
gender_F	-0.045750	-0.070349	0.071656	0.022285	-0.025997	1.000000	-0.705323
gender_M	0.025568	-0.156132	0.156145	-0.017945	0.029723	-0.705323	1.000000

sns.heatmap(set2.corr(), cmap = 'pink')

随着age增加，用户会越倾向于在web上下单
age越大的用户，越倾向于用Android上下单；而age越小的用户，越倾向于用iOS下单
男性用户更喜欢在H5推送界面上下单，并且他们不喜欢在Android上下单
age与用户下单渠道和性别的相关关系都太弱，对后续分析意义不大

4 模型的建立与评估

4.1 模型建立

选择基于用户的行为偏好以及用户个人信息的考量：

android, moweb, web, ios反映了客户的行为偏好
age是用户个人信息的变量

#将5个指标存放进新的变量中，方便后续调用
airbnb_5 = airbnb[['age', 'android', 'moweb', 'web', 'ios']]

#导入sklearn中的预处理scale
from sklearn.preprocessing import scale
#用scale处理完后，标准化airbnb中的数据，并存进变量x
x = pd.DataFrame(scale(airbnb_5))

#使用cluster建模，先尝试分为3组
from sklearn import cluster
model = cluster.KMeans(n_clusters = 3, random_state = 10)
model.fit(x)

KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,
       n_clusters=3, n_init=10, n_jobs=None, precompute_distances='auto',
       random_state=10, tol=0.0001, verbose=0)

#提取标签，查看分类结果
airbnb_5['cluster'] = model.labels_
airbnb_5.head(10)

	age	android	moweb	web	cluster
0	56	1	0	1	1
1	42	0	1	1	0
2	41	1	0	1	1
3	46	1	0	1	1
4	47	1	0	1	1
5	50	1	0	1	1
6	46	1	0	1	1
7	36	1	0	1	1
8	33	1	0	1	1
9	31	1	0	1	1

4.2 数据可视化，查看单变量维度分析结果

sns.scatterplot(x = 'age', y = 'ios', hue = 'cluster', data = airbnb_5)

iOS只有0和1两个维度，故其可视化不佳

4.3 模型评估

#评估单变量维度分群效果
airbnb_5.groupby(['cluster'])['age'].describe()

	count	mean	std	min	25%	50%	75%	max
cluster
0	21093.0	35.061253	9.940771	18.0	28.0	33.0	39.0	80.0
1	40845.0	36.876215	11.581504	18.0	29.0	34.0	43.0	80.0
2	4535.0	33.067916	8.641708	18.0	27.0	31.0	37.0	77.0

发现3组用户的年龄分布都在18 - 80岁之间，说明age的区分度较弱

airbnb_5.groupby(['cluster'])['ios'].describe()

	count	mean	std	min	25%	50%	75%	max
cluster
0	21093.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0
1	40845.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0
2	4535.0	1.0	0.0	1.0	1.0	1.0	1.0	1.0

0群和1群iOS为0，2群iOS大部分都为1，故iOS在群组中是一个很好的分群变量

from sklearn import metrics
#每一个变量x与之对应的群cluster的距离
x_cluster = model.fit_predict(x)
#将变量x与所在群进行比较，评分越高，个体与群越接近
score = metrics.silhouette_score(x, x_cluster)

print(score)

0.6335056609750385

#导出cluster_centers_
centers = pd.DataFrame(model.cluster_centers_)

print(centers)

          0         1         2         3         4
0 -0.089316 -1.375323  1.375436  0.228944 -0.270589
1  0.076228  0.724734 -0.725096  0.206204 -0.270589
2 -0.271129 -0.130558  0.133297 -2.922051  3.695642

列0, 1, 2, 3, 4分别对应age, android, moweb, web, ios（重点关注每一列的数据，找出abs较大的数字，结合业务理解进行判断）
0群和2群较为独特，下单渠道较为集中：
- 0群喜欢用H5活动界面（如微信推送界面）下单，较少用android下单
- 2群iOS重度用户，且很少使用web下单

4.4 模型优化（增加分群个数）

#使用cluster建模，分为5组
from sklearn import cluster
model = cluster.KMeans(n_clusters = 5, random_state = 10)
model.fit(x)

KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,
       n_clusters=5, n_init=10, n_jobs=None, precompute_distances='auto',
       random_state=10, tol=0.0001, verbose=0)

#导出cluster_centers_
centers = pd.DataFrame(model.cluster_centers_)
print(centers)

          0         1         2         3         4
0 -0.433590  0.727102 -0.725096  0.342225 -0.270589
1 -0.093553 -1.375323  1.379127  0.342225 -0.270589
2 -0.251366  0.053425 -0.122776 -2.922051 -0.270589
3 -0.271129 -0.130558  0.133297 -2.922051  3.695642
4  1.630809  0.708694 -0.706673  0.340277 -0.270589

年龄有变大的趋势
1群喜欢用H5活动界面（如微信推送界面）下单，较少用android下单
2群不喜欢用web下单
3群iOS重度用户，且很少使用web下单
4群年龄最大，但4群和0群数据区分度很小，对实际分析意义不大

5 业务解读

5.1 用户分析

用户年龄分布在18 - 80岁，平均年龄为36岁，中位数为33岁。其中28 - 32岁用户为消费主体
说明年龄大的用户居多，所以拉开了整体数据分布
注册时间距今最短是6年，最长的是10年
注册时间多集中在6 - 7年
第一次订房时间距今最短是5年，最长的是10年

5.2 提高客群区分度分析

用户的age与使用英语且家中小孩较多的变量成正相关关系，说明Airbnb在age越大，英语使用频率高和小孩较多的家庭中比较受欢迎
但age与目的地是美国的变量成负相关关系，说明用户age越大，越可能去美国之外的国家使用Airbnb
随着age增加，用户会越倾向于在web上下单
age越大的用户，越倾向于用Android上下单；而age越小的用户，越倾向于用iOS下单
男性用户更喜欢在H5推送界面上下单，并且他们不喜欢在Android上下单

将用户分为5组后：

年龄有变大的趋势
1群喜欢用H5活动界面（如微信推送界面）下单，较少用android下单
2群不喜欢用web下单
3群iOS重度用户，且很少使用web下单

5.3 结论

重点留意28 - 32岁和注册时间在6 - 7年的Airbnb重度用户的留存情况，对响应度较低的客户制定相应的营销策略
对说英语、家中小孩较多的年龄较大的用户制定相应的活动或产品相应模型，比如推出周末家庭优惠游的套餐，尽量用最小的营销投入来最大化收益
对年龄较大的用户制定经济实惠的旅游路线和住宿计划，并可以提示通过推送下单有满减政策；对年龄较小的用户提供新颖刺激的旅游项目，并可以提示通过iOS客户端下单有一定优惠
对不同渠道的宣传和营销策划进行组间分析，观察两者的差异性，不断完善营销策略，有针对性地对不同客群实施相应的营销手段。

往期内容回顾

💚 学习Python全套代码【超详细】Python入门、核心语法、数据结构、Python进阶【致那个想学好Python的你】
❤️ 学习pandas全套代码【超详细】数据查看、输入输出、选取、集成、清洗、转换、重塑、数学和统计方法、排序
💙 学习pandas全套代码【超详细】分箱操作、分组聚合、时间序列、数据可视化
💜 学习NumPy全套代码【超详细】基本操作、数据类型、数组运算、复制和试图、索引、切片和迭代、形状操作、通用函数、线性代数

关注我，了解更多相关知识！

CSDN@报告，今天也有好好学习

以上是关于学习数据分析的朋友们都可以来看看哦每周分享数据分析案例的主要内容，如果未能解决你的问题，请参考以下文章

MariaDB的安全配置

一些简单的思科命令

五个免费开源的数据挖掘软件

51CTO学院周刊整理特辑来啦，等你来看！

前端每周学习分享--第2期

极客时间机器学习0讲王天一丨学习分享