K60 Pro官方停產 第三方瞬間漲價
雖然沒有官方宣布，但Redmi的一些高管也已經透露了，Redmi K60 Pro已經停產且不會補貨，這一切都是為了即將到來的K60 Ultra鋪路，屬于廠家的正常操作。但有意思的是該機在停產之后
如今，企業有能力收集大量的數據。這些數據可以幫助企業制定更好的策略并了解其客戶的行為。在這一點上，Cohort分析就發揮作用了。Cohort分析是一種了解客戶行為或用戶互動的強大工具，并為企業提供有價值的見解。在本文中，將學習如何使用Python進行Cohort分析。
Cohort分析是一種經常在市場營銷、客戶忠誠度、用戶體驗和產品開發等領域使用的數據分析技術。通過這種分析方法，我們可以詳細了解特定時期內人群或群體的行為。Cohort用于識別具有相似特征或經歷的人群或群體。
例如，對于電子商務業務，可以使用Cohort分析來監測不同的群體，比如客戶群體、來自特定地區的群體或偏好特定產品類別的群體。通過這種分析，我們可以研究特定群體在一段時間內的行為和傾向。
本文有一個由12個表組成的關系數據庫。本文將在Python通過MS SQL從這個表中提取所需的特征。在進行必要的預處理操作后，本文將使數據適合進行分析。接下來從查看數據庫開始。
本文需要兩個特征。這兩個特征是客戶ID和訂單日期。本文的目標是查看我們能夠保留多少客戶，并在其首次到達日期后的每個月基礎上保留多長時間。
本文想要的特征包含在一個單獨的表中。因此，在查詢過程中，不需要從其他表中提取屬性。然而，為了舉例說明，假設本文將在兩個表上工作，接下來使用MS SQL中的JOIN獲取本文想要的特征。
SELECT * FROM ORDERS
圖片
SELECT * FROM USERS
圖片
SELECT U.ID, O.DATE_ FROM USERS U JOIN ORDERS O ON U.ID= O.ID
圖片
本文通過JOIN從USERS和ORDERS表中調用具有相同ID值的屬性。現在，為了在Python中進行分析，本文將訪問該數據庫，在其中運行我們的查詢，并將數據作為數據幀在我們的操作中使用。
首先，導入本文所需要的庫。
import pandas as pdimport sqlalchemy as saimport urllibfrom datetime import datetime在第二步中，本文使用urllib.parse.quote_plus函數來保護連接字符串免受環境因素的影響，并將連接信息寫入這個將用于連接SQL Server數據庫的字符串中。
params = urllib.parse.quote_plus("DRIVER={SQL Server};" "SERVER=DESKTOP-F3H252;" "DATABASE=E-COMMERCE;")注：如果不知道服務器名稱，可以通過查詢"SELECT @@SERVERNAME"來找到它。
接下來，本文使用"SQLAlchemy (sa)"庫創建與SQL Server數據庫的連接。使用"sa.create_engine"函數，我們可以利用連接字符串和其他連接設置創建一個鏈接引擎。"odbc_connect"參數用于ODBC連接，并包含之前轉換的連接字符串。
engine = sa.create_engine("mssql+pyodbc:///?odbc_cnotallow={}".format(params))在下一步中，本文將創建一個SQL查詢。我們使用查詢"SELECT U.ID, O.DATE_ FROM USERS U JOIN ORDERS O ON U.ID= O.ID"來獲取我們想要的特征。
qry ="SELECT U.ID, O.DATE_ FROM USERS U JOIN ORDERS O ON U.ID= O.ID"我們通過"engine"對象建立數據庫連接，并在"with"代碼塊中使用該連接。這將自動關閉連接。我們使用"con.execute(qry)"運行SQL查詢并獲取結果集（rs）。最后，我們將結果集轉換為Pandas DataFrame。
with engine.connect() as con: rs = con.execute(qry) df = pd.DataFrame(rs)
圖片
我們知道沒有缺失數據，但在這一點上，讓我們檢查并消除它。
df.isnull().sum()ID 0DATE_ 0dtype: int64由于我們將按月進行工作，所以小時數對我們來說并不重要，所以我們首先要刪除小時數，然后再刪除天數。首先，我們將日期列（DATE_）轉換為日期時間格式，然后只獲取日期。
df['DATE_'] = pd.to_datetime(df['DATE_'])df['DATE_'] = df['DATE_'].dt.date
圖片
本文的下一步行動是刪除天數。接下來為此定義一個lambda函數。希望保留年份和月份的值。datetime(x.year, x.month, 1)將使用年份和月份信息創建一個新的日期對象，其中包含該月的第一天。
get_year_month = lambda x: datetime(x.year, x.month, 1)接下來使用這個函數創建一個新的變量，并將新數據存儲在'DATE_MONTH'列中。
df['DATE_MONTH'] = df['DATE_'].apply(get_year_month)現在，本文將根據客戶ID對要執行的流程進行分組，并通過創建'COHORT_MONTH'變量在這一列中保留每個客戶的首次到達日期。
user_first_date = df.groupby('ID')['DATE_MONTH']df['COHORT_MONTH'] = user_first_date.transform('min')
圖片
當我們查看所獲得的值時，如果對第一個訂單日期和其他訂單日期進行評估，就可以很容易地找到差異。我們可以通過創建一個新的'COHORT_INDEX'變量，將差異保留在這一列中。
years_diff = df['DATE_MONTH'].dt.year - df['COHORT_MONTH'].dt.yearmonths_diff = df['DATE_MONTH'].dt.month -df['COHORT_MONTH'].dt.monthdf['COHORT_INDEX'] = years_diff * 12 + months_diff + 1接下來計算每個首次到達日期的活躍客戶的月度數量。通過分組，本文創建了一個名為cohort_data的數據幀，其中包含了每個月首次到達的唯一客戶數量。
grouping_count = df.groupby(['COHORT_MONTH', 'COHORT_INDEX'])cohort_data = grouping_count['ID'].apply(pd.Series.nunique)cohort_data = cohort_data.reset_index()cohort_data.head()
圖片
本文將cohort_data數據幀整理到數據透視表中，并創建一個名為cohort_user_counts的新數據幀。該數據幀將包含每個群體的月活躍客戶數量。
本文將計算每個客戶的活躍百分比。通過將每個月群體中的客戶數除以初始客戶數來實現此目的。
cohort_sizes = cohort_user_counts.iloc[:,0]retention = cohort_user_counts.divide(cohort_sizes, axis=0)retention.index = retention.index.strftime('%m-%Y')
圖片
最后，本文將在熱圖上可視化retention數據幀。
sns.set(style = 'white')plt.figure(figsize = (15, 6))plt.title('Cohort: Retention rate by month')sns.heatmap( retention ,cmap = plt.cm.Reds ,annot = True ,fmt = '.0%' )plt.xlabel("Ongoing months"plt.ylabel("First arrival date")plt.show()
圖片
如上所述，圖表中的百分比表達的是活躍率。從中可以推斷出的內容應該回答了我們可以保留客戶多長時間的問題。
在這篇文章中，我們提到了Cohort分析，并制作了一個可以輕松使用的應用程序。
本文鏈接：http://www.www897cc.com/showinfo-26-13565-0.html利用Python群組分析方法剖析客戶行為
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
上一篇： 性能工程實踐
下一篇： 如何解決Maven依賴沖突？
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號