一.数据集介绍

数据来源于自kaggle的某电商真实交易数据，经过后期处理，不会造成任何隐私的泄露。该公司主要销售礼品，大部分出售对象是面向个人。

二.数据集字段介绍

数据包含104557条数据，10个字段，字段内容为：

orderId：订单编号，订单编号均为数字。
userId：客户编号，每个客户编号由数字组成。
productId：产品编号，由整数组成。
cityId：客户所在城市编号。
price：商品价格。
payMoney：客户最终支付金额。
channelId：购买渠道编号。
deviceType：客户下单的设备类型。
createTime：订单下单时间。
payTime：客户支付时间。

三.分析内容

分析数据可以从两方面开始考虑，一个是维度，一个是指标，维度可以看做x轴，指标可以看成是y轴，同一个维度可以分析多个指标，同一个维度也可以做降维升维。
比如：分析商品维度可以通过价格、销售额以及销量这几个指标进行分析，而城市维度也可以通过销售额和销量这两个指标进行分析、渠道维度可以通过订单数、成交量等指标进行分析。

四. 数据处理分析过程

1.数据清洗

利用Python语言进行数据分析，开发工具有Jupyter Notebook。
导入加载数据分析需要使用的库

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

加载数据，加载之前先用文本编辑器看下数据的格式，首行是什么，分隔符是什么等，加载完查看前五条数据

df = pd.read_csv('./order_info_2016.csv', index_col='id')
df.head()

在这里插入图片描述
加载好数据之后，第一步先分别使用describe和info方法看下数据的大概分布，这两个方法放到两个cell中

df.describe()

df.info()

查看完数据集的基本信息后，接下来就可以进行数据的清洗

（1）orderId

首先对orderId进行处理，因为orderId在一个系统里是唯一值，所以这里需要先看下有没有重复值

df.orderId.unique().size

df.orderId.size

执行完以上代码得到结果为104530和104557，可以看出orderId列存在27个重复值，但如果有重复值，我们一般最后处理，因为其他的列可能会影响到删除哪一条重复的记录，因此先处理其他的列

（2）userId

userId我们只要从上面的describe和info看下值是不是在正常范围就行了，对于订单数据，一个用户有可能有多个订单，重复值是合理的

（3）productId

productId最小值是0，先来看下值为0的记录数量

df.productId[(df.productId == 0)].size

得到结果为177条记录，数量不多，可能是因为商品的上架下架引起的，处理完其他值的时候我们把这些删掉

（4）cityId

cityId类似于userId，值都在正常范围，不需要处理

df.cityId.unique().size

（5）price

price没有空值，且都大于0，注意单位是分，我们把它变成元

df.price = df.price / 100

（6）payMoney

展示负值的记录

df[df.payMoney < 0]

在这里插入图片描述
payMoney有负值，我们下单不可能是负值，所以这里对于负值的记录要删除掉

df.drop(index=df[df.payMoney < 0].index, inplace=True)

将分转换成元

df.payMoney = df.payMoney / 100

（7）channelId

channelId根据info的结果，有些null的数据，可能是端的bug等原因，在下单的时候没有传channelId字段，数据量大的时候，删掉少量的null记录不会影响统计结果，这里我们直接删除，展示null记录

df[df.channelId.isnull()]

在这里插入图片描述
将null记录删除

df.drop(index=df[df.channelId.isnull()].index, inplace=True)

（8）deviceType

deviceType的取值分别是1：PC，2：Android，3：iPhone，4：Wap，5：other，没有问题，不需要处理

（9）createTime和payTime

和上述方法一样，可以发现createTime和payTime都没有null，不过我们是要统计2016年的数据，所以把非2016年的删掉，payTime类似，这里只按创建订单的时间算，就不处理了，先把createTime和payTime转换成datetime格式

df.createTime = pd.to_datetime(df.createTime)
df.payTime = pd.to_datetime(df.payTime)
import datetime
startTime = datetime.datetime(2016, 1, 1)
endTime = datetime.datetime(2016, 12, 31, 23, 59, 59)

# 有16年之前的数据，需要删掉
df[df.createTime < startTime]
df.drop(index=df[df.createTime < startTime].index, inplace=True)
df[df.createTime < startTime]
# payTime早于createTime的也需要删掉
df.drop(index=df[df.createTime > df.payTime].index, inplace=True)

回过头来我们把orderId重复的记录删掉

df.orderId.unique().size
df.orderId.size
df.drop(index=df[df.orderId.duplicated()].index, inplace=True)
df.orderId.unique().size

把productId为0的也删除掉

df.drop(index=df[df.productId==0].index, inplace=True)

数据清洗完毕，可以开始分析了

2.数据分析

一般都是先看下数据的总体情况总体情况，总订单数，总下单用户，总销售额，有流水的商品数

print(df.orderId.count())
print(df.userId.unique().size)
print(df.payMoney.sum()/100)
print(df.productId.unique().size)

在这里插入图片描述
分析数据可以从两方面开始考虑，一个是维度，一个是指标，维度可以看做x轴，指标可以看成是y轴，同一个维度可以分析多个指标，同一个维度也可以做降维升维。

（1）销量分析

按照商品的productId，先看下商品销量的前十和后十个

productId_orderCount = df.groupby('productId').count()['orderId'].sort_values(ascending=False)
print(productId_orderCount.head(10))
print(productId_orderCount.tail(10))

在这里插入图片描述

（2）销售额分析

看下销售额前十和倒数前十的商品

productId_turnover = df.groupby('productId').sum()['payMoney'].sort_values(ascending=False)
print(productId_turnover.head(10))
print(productId_turnover.tail(10))

在这里插入图片描述
根据以上商品的排名，可以决定，对销售额排名前十的商品可以增加库存，增加推广成本等，而对于销售额排名倒数前十的商品，则需要进行调研分析，确定商品销售额低下的原因，采取一定措施进行商品销售额的提升，更可以适当减少这些商品的库存，以减少损失。

看下销量和销售额最后100个的交集，如果销量和销售额都不达标，这些商品需要看看是不是要优化或者下架

problem_productIds = productId_turnover.tail(100).index.intersection(productId_orderCount.tail(100).index)
problem_productIds

在这里插入图片描述
得出以上商品均是销量和销售额都不达标的商品，这些商品则需要尽快采取优化或者下架处理，以免造成亏损，还需要根据实际情况调整此类商品的库存情况

（3）城市分析

城市的分析可以和商品维度类似，对每个城市的订单数量以及销售额进行分析

cityId_payMoney = df.groupby('cityId').sum()['payMoney'].sort_values(ascending=False)
cityId_payMoney
cityId_orderCount = df.groupby('cityId').count()['orderId'].sort_values(ascending=False)
cityId_orderCount

在这里插入图片描述

通过以上结果，可以知道编号为11001的城市购买力最高，因此可以得出该城市人均收入最高，因此，我们应该针对该城市开展更多的优惠活动或者线下活动，以留住该城市的顾客作为主要发展城市

（4）价格分析

对于价格，可以看下所有商品价格的分布，这样可以知道什么价格的商品卖的最好，根据商品最小值和最大值确定价格区间，然后按照100的区间取分桶，价格是分，这里为了好看把他转成元

bins = np.arange(0, 7500, 100)
pd.cut(df.price, bins).value_counts()

在这里插入图片描述
根据以上商品价格的分布可以描绘商品价格分布直方图

plt.figure(figsize=(16, 16))
plt.hist(df['price'], bins)

在这里插入图片描述
从直方图可以观察到，大部分商品价格都处于0-1000的范围

price_cut_count = pd.cut(df.price, bins).value_counts()
zero_cut_result = (price_cut_count == 0)
zero_cut_result[zero_cut_result.values].index

在这里插入图片描述
从上图可以看出，很多价格区间没有商品，如果有竞争对手的数据，可以看看是否需要补商品填充对应的价格区间

（5）渠道的分析

渠道的分析类似于productId，可以给出成交量最多的渠道，订单数最多的渠道等，渠道很多时候是需要花钱买流量的，所以还需要根据渠道的盈利情况和渠道成本进行综合比较，同时也可以渠道和商品等多个维度综合分析，看看不同的卖的最好的商品是否相同

t1 = df.groupby('deviceType').sum()['orderId'].sort_values(ascending=False)

在这里插入图片描述
可以看出成交量最多的，订单数最多的渠道是安卓手机

（6）下单时间分析

a.按小时分析

df['orderHour'] = df.createTime.dt.hour
df.groupby('orderHour').count()['orderId'].plot()

在这里插入图片描述
从上图按小时的下单量分布可以得出，中午12、 13、14点下单比较多，应该是午休的时候，然后是晚上20点左右，晚上20点左右几乎是所有互联网产品的一个高峰，下单高峰要注意网站的稳定性、可用性，也可以按时间做推广

b.按星期分析

按照星期来看，周六下单最多，其次是周四周五

df['orderWeek'] = df.createTime.dt.dayofweek
df.groupby('orderWeek').count()['orderId']