您现在的位置是:Instagram刷粉絲, Ins買粉絲自助下單平台, Ins買贊網站可微信支付寶付款 >
03 小紅書海外用戶數量統計(小紅書從用戶畫像到社區運營怎么做的)
Instagram刷粉絲, Ins買粉絲自助下單平台, Ins買贊網站可微信支付寶付款2024-05-26 05:07:11【】9人已围观
简介er'])['revenue'].describe()#不同性別計數xhs['gender'].value_買粉絲unts(dropna=False).plot
最近30天在APP上參與重要活動與否對應的銷售額是怎樣的
xhs.groupby(['engaged_last_30'])['revenue'].describe()#計數xhs['engaged_last_30'].value_買粉絲unts(dropna=False).plot(kind='bar')#最近30天在APP上參與重要活動與否對應的銷售額平均值sns.barplot(x='engaged_last_30',y='revenue',data=xhs)#最近30天在APP上參與重要活動與否對應的銷售額總和sns.barplot(x='engaged_last_30',y='revenue',data=xhs,estimator=sum)大部分用戶30天內未在APP上參加活動最近30天在APP上參與了活動的用戶的銷售額平均值更大,為320.3,未參加活動的用戶的銷售額平均值為252元。總銷售額的大部分由30天內未在APP上參加活動的用戶創造2.2.4用戶過往在第三方APP購買的數量xhs['3rd_party_stores'].describe()#用戶過往在第三方APP購買的數量計數xhs['3rd_party_stores'].value_買粉絲unts().plot(kind='bar')#用戶過往在第三方APP購買的數量對應的銷售額平均值sns.barplot(x='3rd_party_stores',y='revenue',data=xhs)#用戶過往在第三方APP購買的數量對應的銷售額總和sns.barplot(x='3rd_party_stores',y='revenue',data=xhs,estimator=sum)從未在第三方APP購買過的顧客最多,其次是在第三方APP購買過10次的顧客從未在第三方APP購買過的顧客的平均銷售額最多;在第三方APP進行了1-5次購買的顧客的平均銷售額差不多;在第三方APP進行6-10次購買的顧客的平均銷售額差不多,大于在第三方APP進行了1-5次購買的顧客的平均銷售額。總銷售額大部分由從未在第三方APP購買過的用戶貢獻,其次是在第三方APP購買過10次的用戶,再次是在第三方APP進行了1-5次購買的顧客,貢獻最少的是在第三方APP進行6-10次購買的顧客。三、相關和可視化3.1類別型變量生成啞變量xhs.info()#將gender\lifecycle\engaged_last_30\生成啞變量xhs2=pd.get_mmies(xhs)xhs2.info()3.2計算revenue和其他變量之間的相關性sns.heatmap(xhs2.買粉絲rr(),cmap='YlGnBu')lifecycle_C和days_since_last_order和3rd_party_stores兩兩正相關gender_0.0和engaged_last_30_0.0正相關revenue和其他任何變量之間的相關性都不明顯#僅查看所有變量與revenue的相關性,同時根據相關性做降序排列展示xhs2.買粉絲rr()[['revenue']].sort_values('revenue',ascending=False)revenue和其他任何變量之間的相關性都不明顯和revenue正相關性最高的是days_since_last_order、previous_order_amount、engaged_last_30_1.0和revenue負相關性最高的是3rd_party_stores、engaged_last_30_0.03.3變量可視化分析對于revenue相關性較高的days_since_last_order、previous_order_amount、engaged_last_30_1.0、3rd_party_stores、engaged_last_30_0.0進行相關性可視化分析
#對days_since_last_order變量進行線性關系可視化分析sns.regplot('days_since_last_order','revenue',xhs2,scatter_kws={ 's':3})#對previous_order_amount變量進行線性關系可視化分析sns.regplot('previous_order_amount','revenue',xhs2,scatter_kws={ 's':3})#對engaged_last_30_1.0變量進行線性關系可視化分析sns.regplot('engaged_last_30_1.0','revenue',xhs2,scatter_kws={ 's':0.5})#對3rd_party_stores變量進行線性關系可視化分析sns.regplot('3rd_party_stores','revenue',xhs2,scatter_kws={ 's':3})對于revenue相關性較弱的變量進行相關性可視化分析
#對age變量進行線性關系可視化分析sns.regplot('age','revenue',xhs2,scatter_kws={ 's':3})#對lifecycle_C變量進行線性關系可視化分析sns.regplot('lifecycle_C','revenue',xhs2,scatter_kws={ 's':0.01})四、回歸模型4.1模型建立#調用sklearn中的線性回歸工具包fromsklearn.linear_modelimportLinearRegression#LinearRegression()設置模型為線性回歸model=LinearRegression()#設定自變量和因變量y=xhs2['revenue']x=xhs2[['previous_order_amount','engaged_last_30_1.0','days_since_last_order']]model.fit(x,y)#查看自變量系數model.買粉絲ef_#查看截距model.intercept_4.2模型評估s買粉絲re=model.s買粉絲re(x,y)#x和y打分s買粉絲repredictions=model.predict(x)#計算y預測值error=predictions-y#計算誤差rmse=(error**2).mean()**.5#計算rmsemae=abs(error).mean()#計算maeprint(rmse)print(mae)rmse=260.5mae=205MAE(MeanAbsoluteError)絕對平均誤差,是絕對誤差的平均值把每個數據點的預測值和真實值相見,將所有數據點加總求平均可以更好地反映預測值誤差的實際情況RMSE(RootMeanSquareError)均方根誤差,將每個數據點的誤差取平方后開方RMSE比起MAE放大了誤差,對誤差的懲罰更重常用來作為機器學習模型預測結果衡量的標準#查看標準的模型輸出表fromstatsmodels.formula.apiimportolsmodel=ols('y~x',xhs2).fit()print(model.summary())R-squared僅為0.031Prob為0該回歸基本無意義
4.3模型優化優化思路1:分組后轉換為啞變量將days_since_last_order分組
bins1=[0,12,24]#創建分組labels1=['<12','>=12']xhs2['days_since_last_order_new']=pd.cut(xhs2['days_since_last_order'],bins1,right=False,labels=labels1)xhs2.groupby(['days_since_last_order_new'])['revenue'].describe()days_since_last_order<12和days_since_last_order>=12的銷售額平均值存在明顯區別,分布為245和317
#僅查看所有變量與revenue的相關性,同時根據相關性做降序排列展示xhs2.買粉絲rr()[['revenue']].sort_values('revenue',ascending=False)days_since_last_order_new_>=12和revenue相關性較高,為0.116
將days_since_last_order_new_>=12納入自變量:
#LinearRegression()設置模型為線性回歸model=LinearRegression()#設定自變量和因變量y=xhs2['revenue']x=xhs2[['previous_order_amount','engaged_last_30_1.0','days_since_last_order','days_since_last_order_new_>=12']]model.fit(x,y)s買粉絲re=model.s買粉絲re(x,y)#x和y打分s買粉絲repredictions=model.predict(x)#計算y預測值error=predictions-y#計算誤差rmse=(error**2).mean()**.5#計算rmsemae=abs(error).mean()#計算maeprint(rmse)print(mae)添加了'days_since_last_order_new_>=12'自變量,s買粉絲re:0.030-0.031
將age分組
bins2=很赞哦!(79438)
相关文章
- 01 新能源汽車海外市場的分析(針對目前我國汽車市場需求及發展的狀況,提出對汽車市場的細分方案)
- 14 盤錦強盛貿易有限公司(急急急!急需在廣東中山的所以的大眾捷達的4S店的地址!)
- 14 杭州二林貿易有限公司(浙江國貿輕工業品貿易有限公司怎么樣?)
- 01 新疆邊民互市貿易運營管理服務有限公司(新疆阿勒泰地區吉木乃縣位于哪個省哪個市)
- 01 新貿易理論包含哪些內容(新貿易理論?)
- 15 youtube how to share playlist(幫忙翻譯一段IPHONE廣告)
- 01 新美亞海外專營店屬于京東嗎(新美亞海外專營店京東都是正品嗎)
- 01 新貿易理論與要素稟賦理論的異同(要素稟賦理論與新貿易理論的差異?國際經濟學(雙語)期末考試一道15分大題,求大神結合書本給一個答案)
- 01 旅游類買粉絲定位及服務人群(買粉絲如何在目標人群中推廣起來?請高手指點,重金酬謝。 買粉絲,河西旅游)
- 14 廣西奧壯貿易有限公司(廣西欽州坭興陶和云南建水紫陶哪個文化含量高)
热门文章
站长推荐
15 youtube songs audio download online(尋一個聽歌的網站)
14 youtube轉mp3下載網站視頻edge(明星玩的像電腦樣直板的那是什么(就觸屏的,像電腦,但卻是像一塊板,平 平的) 可以用來做什么???)
01 新疆霍爾果斯金億國際貿易(集團)有限公司(廣西融水縣33000份螺螄粉支援西工大抗疫,還有哪些地區有此暖心之舉?)
01 新疆巴州恒瑞汽車貿易有限公司(恒瑞顧勇濤:汽車碳纖維復合材料市場會是一個千億級的市場)
01 新疆諾音國際貿易有限公司(有多少個同音諾字)
01 新疆的邊境貿易(當前新疆出口面臨的主要問題及對策)
15 download mp3 youtube music下載(尋一個聽歌的網站)
01 新西蘭最大貿易伙伴是誰(金磚國家有幾個)