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。
目录- 前言
- 分析背景
- 分析目标
- 1 数据概况分析
- 2 单变量分析
- 2.1 数字型变量（age异常值的处理）
- 2.2 类别型变量
- 2.2.1 date的调整
- 2.2.2 gender的调整
- 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
- 3.2 观察age与用户下单渠道和性别的相关关系
- 4 模型的建立与评估
- 4.1 模型建立
- 4.2 数据可视化，查看单变量维度分析结果
- 4.3 模型评估
- 4.4 模型优化（增加分群个数）
- 5 业务解读
- 5.1 用户分析
- 5.2 提高客群区分度分析
- 5.3 结论
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
- 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()
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()
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
#查看数字型变量的核心指标 airbnb.describe()
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
- 常见 *** 作1：将用户注册的年份提取
- 常见 *** 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()
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()
2.2.2 gender的调整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
#对gender进行哑变量处理 airbnb = pd.get_dummies(airbnb) airbnb.info()
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
set1 = airbnb[['age', 'Children', 'Married', 'Language_EN', 'Country_US']] set1.corr()
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
set2 = airbnb[['age', 'android', 'moweb', 'web', 'ios', 'gender_F', 'gender_M']] set2.corr()
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
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)
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
#评估单变量维度分群效果 airbnb_5.groupby(['cluster'])['age'].describe()
- 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()
- 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
#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
-
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
-
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
- 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。
推荐关注的专栏
机器学习：分享机器学习实战项目和常用模型讲解
数据分析：分享数据分析实战项目和常用技能整理
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 *** 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 *** 作、数据类型、数组运算、复制和试图、索引、切片和迭代、形状 *** 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
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）