【Python】Kaggle可视化：黑色星期五画像分析

作者：Peter
编辑：Peter

本文还是kaggle上一份黑色星期五消费数据的分析，主要是针对用户和商品信息的画像分析。建模的方案参考文章：

kaggle实战：星期五黑了，随机森林输了！

本文重点是可视化，使用的图形：柱状图、饼图、散点图、小提琴图、桑基图、树状图、漏斗图、多子图等，全部是Plotly库绘制。

关键词：用户画像、可视化、plotly、Pandas

导入库

import pandas as pd
import numpy as np

import matplotlib.pyplot as plt
import seaborn as sns 
import matplotlib.patches as mpatches
import matplotlib
# 中文显示问题
plt.rcParams["font.sans-serif"]=["SimHei"] #设置字体
plt.rcParams["axes.unicode_minus"]=False #正常显示负号

import plotly.graph_objects as go
import plotly.express as px
from plotly.subplots import make_subplots
from plotly.offline import init_notebook_mode, iplot

# 忽略notebook中的警告
import warnings
warnings.filterwarnings("ignore")

数据基本信息

导入数据

探索数据的基本信息

In [2]:

df = pd.read_csv("train.csv")
df

基本信息

In [3]:

# 1、数据大小
df.shape

Out[3]:

(550068, 12)

In [4]:

# 2、字段类型
df.dtypes

Out[4]:

User_ID                         int64
Product_ID                     object
Gender                         object
Age                            object
Occupation                      int64
City_Category                  object
Stay_In_Current_City_Years     object
Marital_Status                  int64
Product_Category_1              int64
Product_Category_2            float64
Product_Category_3            float64
Purchase                        int64
dtype: object

下面是具体的字段含义为：

• User_ID：用户编码
• Product_ID：商品编码
• Gender：性别（M为男性，F为女性）
• Age：年龄（0-17,18-25,26-35,36-45,46-50,51-55,55+，7种）
• Occupation：职业（用数字代表具体职业，一共20种职业）
• City_Category：城市分类（分为三类城市：ABC）
• Stay_in_Current_City_Years：在目前城市的居住的年数（0,1,2,3,4+，5种）
• Marital_Status：婚姻状态（0为未婚，1为已婚）
• Product_Category_1：产品分类为1（服饰，20种，用1-20表示）
• Product_Category_2：产品分类为2（电子产品）
• Product_Category_3：产品分类为3（家具用品）
• Purchase：购买金额（单位为美元）

In [5]:

# 3、缺失值情况
df.isnull().sum()

Out[5]:

User_ID                            0
Product_ID                         0
Gender                             0
Age                                0
Occupation                         0
City_Category                      0
Stay_In_Current_City_Years         0
Marital_Status                     0
Product_Category_1                 0
Product_Category_2            173638   # 存在缺失值
Product_Category_3            383247
Purchase                           0
dtype: int64

In [6]:

# 4、数据信息
df.info()
'pandas.core.frame.DataFrame'>
RangeIndex: 550068 entries, 0 to 550067
Data columns (total 12 columns):
 #   Column                      Non-Null Count   Dtype  
---  ------                      --------------   -----  
 0   User_ID                     550068 non-null  int64  
 1   Product_ID                  550068 non-null  object 
 2   Gender                      550068 non-null  object 
 3   Age                         550068 non-null  object 
 4   Occupation                  550068 non-null  int64  
 5   City_Category               550068 non-null  object 
 6   Stay_In_Current_City_Years  550068 non-null  object 
 7   Marital_Status              550068 non-null  int64  
 8   Product_Category_1          550068 non-null  int64  
 9   Product_Category_2          376430 non-null  float64
 10  Product_Category_3          166821 non-null  float64
 11  Purchase                    550068 non-null  int64  
dtypes: float64(2), int64(5), object(5)
memory usage: 50.4+ MB

缺失值可视化

In [7]:

import missingno
df.isna().sum() / df.shape[0]

Out[7]:

User_ID                       


    
0.000000
Product_ID                    0.000000
Gender                        0.000000
Age                           0.000000
Occupation                    0.000000
City_Category                 0.000000
Stay_In_Current_City_Years    0.000000
Marital_Status                0.000000
Product_Category_1            0.000000
Product_Category_2            0.315666  # 缺失值字段
Product_Category_3            0.696727
Purchase                      0.000000
dtype: float64

In [8]:

可以看到有两个字段存在缺失值

# 矩阵图：查看缺失值的分布

missingno.matrix(df)
plt.show()

# 条形图
missingno.bar(df, color="blue")
plt.show()

从下面的图像中也能够观察到只有两个字段存在缺失值

小结1：在我们的数据中包含object、float64和int64共3种数据类型

其中Product_Category_2字段有约31%的缺失占比，Product_Category_3有69%的缺失值占比。

总信息

寻找3个总体的数据信息：

• 总消费人数
• 总消费商品种类
• 总消费金额

In [10]:

# 总消费人数

df["User_ID"].nunique()

Out[10]:

5891

In [11]:

# 总消费商品种类

df["Product_ID"].nunique()

Out[11]:

3631

In [12]:

# 总消费金额
sum(df["Purchase"])

Out[12]:

5095812742

商品类别

In [13]:

# 总消费商品种类

df["Product_Category_1"].nunique()

Out[13]:

20

In [14]:

df["Product_Category_2"].nunique()

Out[14]:

17

画像1：消费金额Top10

In [15]:

不同用户的消费金额对比

df1 = df.groupby("User_ID")["Purchase"].sum().reset_index()

df2 = df1.sort_values("Purchase", ascending=False)
df2["User_ID"] = df2["User_ID"].apply(lambda x: "id_"+str(x))

fig = px.bar(df2[:10],   # 选择前10人
             x="User_ID",
             y="Purchase",
             text="Purchase")

fig.show()

可以看到最高的一位用户花费了1千多万！

画像2：高频消费前10

In [19]:

df3 = df.groupby("User_ID").size().reset_index()

# Number表示购买次数
df3.columns = ["User_ID", "Number"]  

# 降序排列
df4 = df3.sort_values("Number", ascending=False)
df4.head(10)

df4["User_ID"


    
] = df4["User_ID"].apply(lambda x: "id_"+str(x))

fig = px.bar(df4[:10],   # 选择前10人
             x="User_ID",
             y="Number",
             text="Number",
             color="Number"
            )

fig.show()

画像3：人均消费金额Top10

In [23]:

df5 = pd.merge(df2, df4)
# 人均消费金额

df5["Average"] = df5["Purchase"] / df5["Number"]
df5["Average"] = df5["Average"].apply(lambda x: round(x,2))
df5.head()

fig = px.scatter(df5, 
                 x="User_ID", 
                 y="Average",
                 color="Average")

fig.show()

px.violin(df5["Average"])

从散点分布图和小提琴图中能够看到，大部分用户的平均消费金额在8k到10k之间

画像4：男女消费对比

In [28]:

df6 = df.groupby("Gender").agg({"User_ID":"nunique", "Purchase":"sum"}).reset_index()
df6

Out[28]:

总结：男士才是消费主力军！

画像5：不同年龄的消费人数和金额

In [30]:

df7 = df.groupby("Age").agg({"User_ID":"nunique", "Purchase":"sum"}).reset_index()
df7

Out[30]:

In [31]:

总结：26到35岁的人群，年轻人，大部分都是工作多年的用户，有家庭和经济基础，成为了消费主力军

画像6：不同性别+年龄的消费人数、金额

In [32]:

df8 = df.groupby(["Gender","Age"]).agg({"User_ID":"nunique", "Purchase":"sum"}).reset_index()
df8

fig = px.treemap(
    df8,  # 传入数据
    path=[px.Constant("all"),"Gender","Age"],  
    values="Purchase" # 消费金额
)

fig.update_traces(root_color="lightskyblue")

fig.update_layout(margin=dict(t=30,l=20,r=25,b=30))

fig.show()

画像7：不同城市、年龄消费金额

In [34]:

df9 = df.groupby(["City_Category","Age"]).agg({"User_ID":"nunique", "Purchase":"sum"}).reset_index()
df9.head()

fig = px.bar(df9,
             x="City_Category",
             y="Purchase",
             color="Age",
             barmode="group",
             text="Purchase"
            )

fig.update_layout(title="不同城市不同年龄段的消费金额")

fig.show()

从3个城市来看，26-35一直都是消费主力

从上面的柱状图来看，在不同的年龄段，一直保持A < B < C的现象。C城市果真是消费的主要城市

画像8：不同婚姻状态的消费次数和金额

In [37]:

df10 = df.groupby(["Marital_Status"]).agg({"User_ID":"nunique", "Purchase":"sum"}).reset_index()
df10

Out[37]:

In [38]:

df10["Marital_Status"] = df10["Marital_Status"].map({0:"未婚",1:"已婚"})

In [39]:

fig = px.pie(names=df10["Marital_Status"],
             values=df10["Purchase"]
            )

fig.update_traces(
    textposition='inside',   # 文本显示位置：['inside', 'outside', 'auto', 'none']
    textinfo='percent+label'
)

fig.show()

总结：单身自由，就是要买

画像9：城市停留时间

In [41]:

px.violin(df,
          y="Purchase",
          color="Stay_In_Current_City_Years")

df11 = (df.groupby(["Stay_In_Current_City_Years"])
        .agg({"User_ID":"nunique", "Purchase":"sum"})
        .reset_index())
df12 = df11.sort_values("User_ID",ascending=False)
df12

stages = df12["Stay_In_Current_City_Years"].tolist()

fig = px.funnel_area(values = df12["User_ID"].tolist(),
                     names = stages
                    )
fig.show()

在一个城市停留1-2年内的用户更容易成为消费主力

画像10：销售额Top20商品

In [46]:

df13 = df.groupby(["Product_ID"]).agg({"Purchase":"sum"}).reset_index()
# 改成以万为单位
df13["Purchase"] = df13["Purchase"].apply(lambda x: round(x / 10000,2))

# 销售额降序
df13.sort_values("Purchase", ascending=False, inplace=True)

df13

fig = px.bar(df13[:10],   # 选择前10人
             x="Product_ID",
             y="Purchase",
             color="Purchase",
             text="Purchase")

fig.update_layout(title="Top20商品销售额对比图(万)")

fig.show()

画像11：二八法则

In [49]:

# 销售额

top20 = int(df13["Product_ID"].nunique() * 0.2)
top20

Out[49]:

    
726

In [50]:

sum(df13[:top20]["Purchase"]) / sum(df13["Purchase"])

Out[50]:

0.7325143993257992

通过计算的结果发现：销售额排名前20的商品其总销售额占据整体的73%，基本上是符合我们听到的二八法则

画像11：商品种类

In [51]:

df14 = df.groupby(["Product_Category_1"]).agg({"Purchase":"sum"}).reset_index()

fig = px.pie(names=df14["Product_Category_1"],
             values=df14["Purchase"],
             hole=0.5
            )

fig.update_traces(
    textposition='inside',   
    textinfo='percent+label'
)

fig.show()

px.box(df,
       x="Product_Category_1",
       y="Purchase",
       color="Product_Category_1")

画像12：不同性别不同种类销售额

In [54]:

第一级

In [56]:

df16 = df15.groupby("Gender")["Purchase"].sum().reset_index()
df16

Out[56]:

In [57]:

df16["Total"] = "总销售额"

In [58]:

df16 = df16[["Total","Gender","Purchase"]]

df16.columns = ["父类","子类","数据"]

df16

Out[58]:

第二级

In [59]:

df17 = df15.groupby(["Gender","Product_Category_1"])["Purchase"].sum().reset_index()
df17.head()

第三级

In [61]:

df18 = df15.groupby(["Product_Category_1","Product_Category_2"])["Purchase"].sum().reset_index()
df18.head()

Out[61]:

In [62]:

df18.columns = ["父类","子类","数据"]

第四级

In [63]:

    
df19 = df15.groupby(["Product_Category_2","Product_Category_3"])["Purchase"].sum().reset_index()
df19.head()

Out[63]:

In [64]:

df19.columns = ["父类","子类","数据"]

数据合并

In [65]:

df20 = pd.concat([df16,df17,df18,df19],axis=0).reset_index(drop=True)
df20.head()

Out[65]:

子类和父类元素个数

In [66]:

labels = list(set(df20["父类"].tolist() + df20["子类"].tolist()))
labels[:5]

Out[66]:

['c1_3', 'c3_14', 'c3_18', 'c2_4', 'c2_12']

元素字典设置

In [67]:

number = list(range(0, len(labels)))

index = dict(list(zip(labels, number)))

配对

In [68]:

df20["父类索引"] = df20["父类"].map(index)
df20["子类索引"] = df20["子类"].map(index)
df20

Out[68]:

绘图

In [69]:

从性别、3个不同的商品类别来看：

• 男性的消费能力远高于女性
• 在商品1中，1号品类是一个高需求的物品；在商品2中，2号最高，8号其次
• 在商品3中，头部需求的物品差距缩小，整体的需求更均衡
• 从商品种类的关联性来看，c1_1、c2_2、c3_15是最强的