项目背景&总结：

项目背景

完成如下商业分析任务，通过数据分析和可视化展示，充分挖掘数据的价值，让数据更好地为业务服务：

1. 流量分析：PV/UV是多少，通过分析PV/UV能发现什么规律？

2. 漏斗分析：用户“浏览-收藏-加购-购买”的转化率是怎样的？

3. 用户价值分析：对电商平台什么样的用户是有价值的？要重点关注哪部分用户？

项目总结

一. 本项目对淘宝用户行为数据进行以下角度的处理及分析：

1. 数据探索及清洗：对1225w+的淘宝用户行为数据进行探索及清洗处理，为数据构建分析维度；

2. 流量分析：

• 基于数据集呈现淘宝月整体流量规模、每日流量分布及每天不同时间段流量分布情况；

• 对比淘宝日常与双十二不同时间段的流量分布；

• 对比淘宝日常与双十二转化转化漏斗，揭示平台日常及大促期间的转化率，为持续监控对比提供基准；

3. 品类分析：根据流量及转化情况对品类进行分类，并输出各品类的复购周期，为不同品类运营资源分配提供一定依据；

4. 用户分析：分析用户人均贡献；并基于RFM框架设计价值指标，并对用户数据进行聚类分析，实现用户价值分类，为精细化用户运营提供输入。

二. 本项目使用到的Python模块：

5. 数据处理及统计分析：numpy、pandas、sklearn;

6. 可视化：matplotlib、seaborn、plotly。

三. 不足及展望：

1. 流量分析时因缺乏往期双十一、双十二的数据，无法对大促流量表现作同比环比分析，在实际业务中需要有对比才能说明问题；

2. 进行漏斗分析时，考虑到细分每个品类的话数据量会较少，故只对平台整体数据作分析，实际业务中需要为不同品类输出相关数据及可视化，并结合往期数据作对比；

3. 对用户价值分类时，缺少直接的金额数据，虽然从其他下单几率、购买品类数等角度构建指标，但考虑到不同品类的属性（尤其是价格）是不同的，顾客决策的容易程度也各异，因此有限的指标无法完全真实反映客户价值，实际业务中需要纳入更多信息。

数据获取

数据来源&字段说明

数据来源于阿里天池：淘宝用户购物行为数据可视化分析_数据集，字段说明如下。

注：该数据为脱敏后的一个月淘宝用户数据，且数据集经过一定比例缩小清洗，故后面分析时会发现有些品类流量过小，此处提前说明。

数据导入

首先加载基本的模块：

#加载基本模块
import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
import seaborn as sns
import plotly #用来绘制漏斗图

导入数据并查看：

data=pd.read_csv('./淘宝用户购物行为数据可视化分析/user_action.csv',sep=',')
data.head()

可以发现'time'字段后面需要拆分成日期date与时hour来分析。

#查看各字段的数据类型&数据规模
data.info()

可以看出：

1. 数据的size为1225w*5;

2. user_id&item_id&item_category为int，后续分析这两个变量应该需要作为分组变量进行聚合操作，可以转换成object类型。

接着查看各字段缺失值情况，可以看出，各字段都无缺失值，可省去处理缺失值的步骤。

最后，在正式处理和分析前，我们粗略了解该时间段整体的浏览-收藏-加车-下单行为数：

print('用户总数：',data.user_id.nunique())
print('下单用户总数：',data[data.behavior_type==4].user_id.nunique())
print('item总数：',data.item_id.nunique())
print('卖出item总数：',data[data.behavior_type==4].item_id.nunique())
print('类别总数：',data.item_category.nunique())
print('卖出类别总数：',data[data.behavior_type==4].item_category.nunique())

可以发现共有8916个商品类别，后续我们的分析可以除了以上的角度，还可以尝试从类别角度分析，看看对于不同类别商品，用户的行为特征（如复购周期）是否有差异。

数据处理

结合上一环节对数据情况的了解，本环节主要对data作以下处理：

1. 'time'字段拆分成日期date与时hour来分析；

2. user_id&item_id&item_category为int，转换成object类型。

#time拆分成date&hour两个字段
#map方法可以对series的每个元素进行处理
data['date']=pd.to_datetime(data['time'].map(lambda x: x.split(' ')[0]))
data['hour']=data['time'].map(lambda x: x.split(' ')[1]).astype('int64')
#将user_id&item_id&item_category转化为object
for v in ['user_id','item_id','item_category']:
    data[v]=data[v].astype('object',copy=True)
#查看数据前5行
data.head()

处理完成后可以看到data增加了date与时hour两个字段。

最后我们查看下数据的时间范围——2014.11.18-2014.12.18。

#看看数据的时间范围
pd.Series(data.date.unique()).sort_values(ignore_index=True)

流量分析

整体流量规模

#整体的pv/uv规模
pv_sum=data.shape[0]
uv_sum=data.user_id.nunique()
print('月整体pv：',pv_sum)
print('月整体uv：',uv_sum)
#人均pv
pv_per_user=pv_sum/uv_sum
print('人均pv',pv_per_user)

可以发现，这个月淘宝的人均pv为1225.7，当然对于这些流量指标，在实际业务中是需要按时间持续监测的。

当月流量分布情况

每天流量分布

由于篇幅原因，省去相关聚合及可视化代码，直接呈现结果：

可以发现：

1. 每日的pv与uv的趋势接近，且除了双十二当天外，流量呈现周期性变化———工作日流量逐渐递减至周五达一周谷点，然后周末流量上升至周日达到峰值；

2. 双十二当天流量明显爆发。

一天中不同时间段流量分布

可以发现：

1. 22点用户普遍开始进入休息时间后，uv/pv持续下降，至次日5点开始流量上升，到早上10点开始pv/uv稳定；

2. 与uv从10点到22点比较稳定不同，pv在18点后迎来明显上升到22点达到峰值，可以推断因为下班，刷手机网购的时间多了，工作时间用户可利用碎片化时间浏览，但不如下班后自由,可以持续浏览淘宝。

双十二当天不同时间段流量分布

从前面可以发现双十二当天平台流量暴涨，那么当天的流量具体如何分布的呢：

整体上D12当天流量分布与平时分布区别不大，但白天（10-18点）流量折线不如平日平滑，推测是不同时间段有不同的活动运营，有的时间段活动力度相对大（如10、11、12点）。

漏斗分析

我们先简单看一下这个月的基于PV的用户行为数据统计：

behavior_count=data.groupby('behavior_type')['user_id'].count()
behavior_count

接着画成漏斗，为简化分析我们将收藏与加车合并为同一个环节，并借助plotly模块实现漏斗图：

from plotly import graph_objects as go
fig = go.Figure(go.Funnel(
    y = ['浏览','收藏+加车','下单']
    ,x = [behavior_count[1],behavior_count[2]+behavior_count[3],behavior_count[4]]
    ,textposition = ["inside","outside","outside"]
    ,textinfo = "value+percent initial"#percent previos则是跟上一环节比
    ,opacity = 0.65
    , marker = {"color":["deepskyblue", "lightsalmon", "tan"]}
    ))

fig.show()

可以看到月整体浏览到收藏/加车转化率为5%，收藏/加车到下单的转化率为21%，整体转化率为1%左右，接着我们可以对比不含双十二的月整体与双十二当天的转化数据：

可以发现双十二当天从浏览到有意向（收藏/加车）的转化率跟平时相差不多，但加车/收藏到下单的转化率为44%是平常19%的两倍多，整体转化率也达到2.2%。

品类分析

根据流量及转化情况对品类进行分类

对data以品类字段item_category作分组计算，算出每个品类的PV（pv）、UV（uv）

、订单总数（orders）字段，并据此算出转化率字段（cr）

#各品类uv/pv
pv_category=data.groupby('item_category')[['user_id']].count().reset_index()
pv_category = pv_category.rename(columns={'user_id':'pv'})
uv_category=data.groupby('item_category')[['user_id']].nunique().reset_index()
uv_category = uv_category.rename(columns={'user_id':'uv'})
view_category=pd.merge(pv_category,uv_category,on='item_category')
#各品类订单数
order_category=data[data['behavior_type']==4].groupby('item_category')[['user_id']].count().reset_index()
order_category=order_category.rename(columns={'user_id':'orders'})
#连接流量表，并将无订单品类na改为0
category=pd.merge(view_category,order_category,on='item_category',how='left')
category=category.fillna({'orders':0})
#计算转化率
category['cr']=category.orders/category.pv
category

因为可能有些类别上架时间长短不一致导致流量规模有区别，为了让不同类别更具可比性，我们还可以挑选日均pv或日均uv作为衡量类别流量规模的指标。

#重命名并计算曝光天数
category=category.rename(columns={'min':'min_date','max':'max_date'})
category['pv_window']=category.max_date-category.min_date+np.timedelta64(1,'D')
category.head()
#将pv_window转化为int
category['pv_window']=category['pv_window'].astype('str').map(lambda x :x[:-5]).astype('int32')
#计算日均pv/uv
category['pv_per_day']=category['pv']/category['pv_window']
category['uv_per_day']=category['uv']/category['pv_window']
category

接着我们通过category.describe()查看各类别流量&转化率变量的基本统计情况：

1. 各类别平均转化率为1.36%，

2. 8916个类别中，75%类别pv大于378，uv大于60。

基于上表我们可以快速筛选出符合特定表现的品类，并按照一定的标准对品类进行分类。作为平台而言，品类可以理解是更大一级的产品，而平台运营投入的资源（如维系不同品类运营的人力资源，以及大促/日常活动的优惠力度）也是有限的，因此有必要根据一定规则对品类的表现（如流量数量、流量质量、转化率、平台投入的运营成本等）进行分类，以优化对不同品类的活动、店铺的策略。

在本例中，根据日均流量（简化分析，仅使用日均pv）与转化率定义以下品类分类规则：

1. 日均pv在[0,50,100,12686]记为['流量低','中等流量','流量大']；

2. cr[0,0.01,0.05,1]记为['转化率低','中等转化率','转化率高']。

接着，我们按照规则将日均pv与转化率cr进行分箱处理

#按照规则将日均pv与转化率cr进行分箱处理
#需要将categories类型转化为str才可以进行series之间的合并
pv_per_day_cut=pd.cut(category['pv_per_day'],bins=[0,50,100,12686],labels=['流量低','中等流量','流量大']).astype('str')
#因为最小值含0,为满足左开右闭需要将左端点设为负数
cr_cut=pd.cut(category['cr'],bins=[-1,0.01,0.03,1],labels=['转化率低','中等转化率','转化率高']).astype('str')
labels=pv_per_day_cut+'&'+cr_cut
category['labels']=labels
category.head()

接着我们可以看下每类品类的占比：

group_category=category['labels'].value_counts()/category.shape[0]
group_category

可以发现：

1. 有57%的品类流量低且转化率低，接近9成的品类都属于流量低，在此案例中主要是因为数据被筛选过跟实际业务情况会有出入，在实际分析中，需要对分组规则作详细讨论，甚至进行头脑风暴，可以对品类数据进行聚类分析；

2. 得到分类结果后，不同品类运营可根据自身状况置顶针对性运营策略，如针对流量低但转化率高的品类，运营可争取更多平台分发流量资源，并与商家合作推动引入更多平台外流量。

品类复购周期分析

注：

1. 由于本数据集样本有限，故此部分仅对前面标记好的流量大&转化率高的28个品类进行复购周期分析；

2. 同一个用户在同一天多次购买同一个品类的情况，合并记为一天。

首先，筛选出这28个品类每天的下单用户信息，其中rebuy_times是指该用户当天购买统一品类多少个item。

#筛出这28个品类的id
key_item_category=list(category.loc[category['labels']=='流量大&转化率高','item_category'])
#筛选出28个品类每天的下单用户信息
groupby_obj=data[(data.item_category.isin(key_item_category))&(data.behavior_type==4)]
rebuy_by_category=groupby_obj.groupby(['item_category','user_id','date'])['hour'].count().reset_index()
rebuy_by_category=rebuy_by_category.rename(columns={'hour':'rebuy_times'})
rebuy_by_category.head()

接着基于上表，计算每个品类每个用户每次复购的间隔：

#计算每个品类每个用户的单次复购周期
#diff是用于对比的一个函数,在默认情况下是与前一行对比 ，首行用null来填充,参数periods=3表示用前三行进行作差
# 对日期排序（按照先后顺序），给予pandas的date函数计算前后两次购物相差的天数
#dropna去掉了每个用户在数据集周期内第一次购买日期的记录,不加dropna()会导致'item_category','user_id'索引消失
rebuy_win=rebuy_by_category.groupby(['item_category','user_id'])['date'].apply(lambda x:x.sort_values().diff().dropna())
rebuy_win=rebuy_win.reset_index()
rebuy_win=rebuy_win.rename(columns={'date':'rebuy_window'})
#将rebuy_win数据类型由timedelta64转为int
rebuy_win.rebuy_window=rebuy_win.rebuy_window.astype('str').map(lambda x :x[:-5]).astype('int32')

rebuy_win.head()

最后，计算每个品类的复购周期：

品类的复购周期=统计周期内该品类每个用户购买间隔之和/每个复购用户总购买次数，其中：

每个用户购买间隔之和为sum_of_rebuy_window；

每个复购用户总购买次数=复购用户总首购次数first_buy_times+复购用户总复购次数rebuy_times。

#计算每个品类平均复购周期
rebuy_win_by_category=rebuy_win.groupby('item_category').rebuy_window.agg(['nunique','count','sum']).reset_index()
rebuy_win_by_category=rebuy_win_by_category.rename(columns={'nunique':'first_buy_times','count':'rebuy_times','sum':'sum_of_rebuy_window'})
#复购用户总购买时间间隔/复购用户总购买次数
#复购用户总购买时间间隔sum_of_rebuy_window/(总首购次数first_buy_times+总复购次数rebuy_times)
rebuy_win_by_category['avg_rebuy_window']=rebuy_win_by_category.sum_of_rebuy_window/(rebuy_win_by_category.first_buy_times+rebuy_win_by_category.rebuy_times)
rebuy_win_by_category

了解每个品类用户的平均复购频率后，该品类的平台/商家运营可在复购期内触达用户，通过运营手段刺激用户复购。

最后将品类表现与分类数据集category及（重点）品类平均复购周期数据集rebuy_win_by_category写入Excel，发给相关同事。

#最后将品类表现与分类数据集category及（重点）品类平均复购周期数据集rebuy_win_by_category写入Excel，发给相关同事。
with pd.ExcelWriter('./淘宝用户购物行为数据可视化分析/category_analysis.xlsx') as writer:
    category.to_excel(writer, sheet_name='category', index=False)
    rebuy_win_by_category.to_excel(writer, sheet_name='rebuy_win_by_category', index=False)

用户价值分析

人均贡献分析

对于平台而言，每天活跃的用户有的购买了有的未购买，因此计算平均一个活跃用户能贡献多少收入体现了平台的转化能力，但本数据集没有下单金额数据，无法计算ARPU&ARPPU，因此从“每个人能买多少量”的角度考虑构建指标：

1. 人均下单商品量：当天下单item数/当天活跃用户数

2. 付费用户人均下单商品量：当天下单item数/当天付费用户数

从上图可知，淘宝每日的活跃用户人均下单商品量在0.5件左右，在双十二当天升至2件；付费用户人均下单商品量日常在2.5件以下，但在双十二当天升至4件左右的水平。

用户价值分类

确定分类变量&分类策略

用户价值分析可以参考经典的RFM模型，最近一次购买距今天数Recency&统计周期（一个月）内购买天数Frequency都可以算出来，但是数据集无付费金额信息，无法直接得到用户关于货币贡献Monetary的指标，因此我们可以考虑从以下三个角度衡量用户消费的价值：

1. 下单商品数：下单item数越多，表明用户在平台购物越多；

2. 下单率=下单item数/浏览过的item数，可以理解为该指标越高的用户，对于给定商品，这些用户转化机会越高；

3. 下单品类数：对于平台而言，可以认为购买多品类的用户粘性与价值会更高。

由于涉及到5个价值变量，我们不大可能像上面给品类那样简单打标签，毕竟即使每个变量分3档，也会有243个类别了。

因此我们确定首先确定第一条分类策略：

1. 将近一个月未下单的用户跟有下单的用户区分开：未下单用户记为待挽回用户，对有下单的用户进行聚类分析；

2. ...

由于计算篇幅较大，因此省去，计算每个用户最近一次购买距今天数recency、统计周期（一个月）内购买天数freq_buy_days、下单商品数ordered_items、下单率order_rate、下单品类数ordered_categories的代码。直接展示存放结果的user数据集并筛选出有购买记录的用户子集bought_user。

接着我们结合user.describe()和箱线图了解各变量的分布特征

结合数据描述统计表可以发现过去一个月:

1. 用户平均在淘宝下单12件商品，涉及8个品类，下单的概率为4%；

2. 用户平均一个月有5天在淘宝下单，75%的用户最近一次下单距今8天

五个变量的箱线图均被压得很扁，说明均有离群值跟大部分用户水平差得太多，而且这些离群值的点看起来不多，但放到淘宝亿级用的商业环境来看也是不小的群体，最关键的是这些离群值也代表着极高的用户价值，因此无法直接删除这些样本，但不处理肯定会对聚类结果产生影响（如聚类出几个数量很小的类别），由此我们得到第二条分组策略

首先确定第二条分类策略：

1. 将近一个月未下单的用户跟有下单的用户区分开，未下单用户记为待挽回用户，对有下单的用户进行聚类分析；

2. 基于淘宝的用户基数，我们假设跟业务确定好以下“极端值”人群直接就是淘宝的超级VIP用户，这个群体不参与聚类分析：

• 近一个月有购买20个及以上item，且涉及10个及以上品类;

• 近一个月有至少7天有购买记录；

• 下单几率在10%及以上。

outlier_con1=(bought_user.ordered_items>(20))
outlier_con2=(bought_user.ordered_categories>(11))
outlier_con3=(bought_user.order_rate>(0.1))
outlier_con4=(bought_user.freq_buy_days>(7))
super_vip=bought_user[outlier_con1 & outlier_con2&outlier_con3&outlier_con4]
super_vip.shape

可以发现这类超级vip占了总客户的1.83%，然后我们对剩余有购买记录的客户样本normal_buyer作聚类分析：

normal_buyer=bought_user[~(outlier_con1 & outlier_con2&outlier_con3&outlier_con4)]
print(normal_buyer.shape)

聚类前准备

因为本次聚类的5个变量都未连续型，因此采用较好解释的kmeans法，但由于kmeans法聚类是基于欧氏距离，为了消除不同变量量纲的区别，我们需要先了解数据的偏度峰度，考虑是否对数据作box-cox处理使之接近正态分布，然后再对数据作标准化处理。

#导入计算数据偏度峰度的模块
from scipy import stats
from scipy.stats import norm, skew
#计算每个待聚类变量的偏度峰度
normal_buyer_value=normal_buyer[['recency','ordered_items','freq_buy_days','ordered_categories','order_rate']]
normal_buyer_value_skew_and_kurt=pd.DataFrame([i for i in zip(normal_buyer_value.columns, user_value.skew(), user_value.kurt())], 
             columns=['特征', '偏度', '峰度'])
normal_buyer_value_skew_and_kurt

从上表可以发现5个待聚类变量都明显不服从正态分布（偏度与峰度接近0），因此对数据进行box-cox转换（boxcox是将数据分布正态化，使其更加符合后续对数据分布的假设）。

# boxcox转换：注意数据有0时转换会变成无限大，要加0.000001，本例不需要
normal_buyer_value_bc = normal_buyer_value.copy()
for i in normal_buyer_value_bc.columns:  # 自动计算λ
    normal_buyer_value_bc[i],lmbda = stats.boxcox(normal_buyer_value[i])
# 查看偏度、峰度
pd.DataFrame([i for i in zip(normal_buyer_value_bc.columns, normal_buyer_value_bc.skew(), normal_buyer_value_bc.kurt())], 
             columns=['特征', '偏度', '峰度'])

可以看到box-cox转换后，各变量相对之前更接近正态分布了，接着对数据进行标准化，以减少不同量纲的影响。

# K-means 的本质是基于欧式距离的数据划分算法，均值和方差大的维度将对数据的聚类产生决定性影响。
# 使用标准化对数据进行预处理可以减小不同量纲的影响。
from sklearn.preprocessing import StandardScaler
standard_scaler = StandardScaler()
standard_scaler.fit(normal_buyer_value_bc)
data_scaler = standard_scaler.transform(normal_buyer_value_bc)#ndarray形式
normal_buyer_value_data_scaler = pd.DataFrame(data_scaler
                             ,columns = ['recency','ordered_items','freq_buy_days','ordered_categories','order_rate']
                             ,index = normal_buyer.index)
normal_buyer_value_data_scaler.head()

数据处理好以后，我们需要确定聚类数k，取多少个聚类数比较合适？这里介绍手肘法：

手肘法的核心思想是：随着聚类数k的增大，样本划分会更加精细，每个簇的聚合程度会逐渐提高，那么误差平方和SSE自然会逐渐变小。并且，当k小于真实聚类数时，由于k的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度会很大，而当k到达真实聚类数时，再增加k所得到的聚合程度回报会迅速变小，所以SSE的下降幅度会骤减，然后随着k值的继续增大而趋于平缓，也就是说SSE和k的关系图是一个手肘的形状，而这个肘部对应的k值就是数据的真实聚类数。当然，这也是该方法被称为手肘法的原因。

但是需要注意的是实际业务环境中，只看手肘法取聚类数通常是不现实的，万一手肘法的推荐的k值过小或过大，与业务实际不符合，这时候需要根据实际情况作权衡。

from sklearn.cluster import KMeans
# 选择K的范围 ，遍历每个值进行评估
inertia_list = []
for k in range(1,10):
    model = KMeans(n_clusters = k, max_iter = 500, random_state = 0)
    kmeans = model.fit(normal_buyer_value_data_scaler)
    inertia_list.append(kmeans.inertia_)#inertia记录着SSE

# 绘图
fig,ax = plt.subplots(figsize=(8,6))    
ax.plot(range(1,10), inertia_list, '*-', linewidth=1)
ax.set_xlabel('k')
ax.set_ylabel("SSE") 
ax.set_title('SSE变化图')
plt.show()

本次分析中肘部在2的位置，对于电商用户分类而言，2个群组对业务的意义无疑是不大的，因此退而求其次，选择4个。

聚类&结果解读

接着开始聚类，并查看分组的人数

kmeans = KMeans(n_clusters=4, random_state=0).fit(normal_buyer_value_data_scaler)
#查看每个分类的人数
pd.Series(kmeans.labels_).value_counts().sort_index()

可以看到，去除“离群”的超级VIP后，聚类结果大小相对均匀。接着将标签加到normal_buyer表中，再查看各个聚类群组的特征。

normal_buyer['label']=kmeans.labels_

normal_buyer.groupby('label')[['recency','freq_buy_days','ordered_items','ordered_categories','order_rate']].agg(['count','mean','median'])

也可以根据箱型图来看：

4个聚类群组+超级VIP群组特征如下：

1. 高价值用户（24.7%）：3天内有过购买，一个月有将近10天都会在淘宝下单，购买的item和品类数多，下单概率中上，是仅次于超级VIP的忠实用户，运营重点是提供优质服务，继续提升购买频率与购买品类数，使其升级为群组0的高价值人群；

2. 一般保持用户（18.9%）：有将近两周没在淘宝购买，平均一个月购买天数比较少（不足两次），购买数量少，品类集中，下单几率最低，运营时需要控制好成本；

3. 一般价值用户（27.0%）：近期有过购买，但购买天数及购买item&品类数均在中等水平，且下单几率不高，对该群体可以通过优质服务（如客服主动介入、新品类购物时平台赠送运费险）降低其尝新的机会成本，提高下单几率；

4. 一般价值发展用户（16.4%）：近10天有过购买，虽然购买天数不多，购买item&品类数均也只在中下水平，但下单几率较高，可见该群体对淘宝（或淘宝特定 品类）比较信任，因此可以通过一些有利益点互动活动，让用户更多留在淘宝，从而提升购买频率及丰富其购买品类。

5. 超级VIP用户（1.83%）：在平台买得频、买得多、买得广、下单概率极高；只占总人群1.83%，但以淘宝5亿用户规模来看，该人群实际规模可达几百万，值得重点研究及运营：针对该人群进行用户调研，充分了解群体；给以超高规格&定制化服务或活动策划。

然后将这4个群组及超级vip群的分组组合并回user表

#将消费过的用户分类label合并回user表
super_vip['label']=5
super_vip_id_label=super_vip[['user_id','label']]
bought_user_id_label=normal_buyer[['user_id','label']]
buyer_lable=pd.concat([super_vip_id_label,bought_user_id_label],axis=0)
user=pd.merge(user,buyer_lable,on='user_id',how='left')

然后不要忘了还有一部分近一个月都没有购买的“待挽留用户”，我们可以对其简单分为两组：

6. 较长时间（如超过一周）没打开淘宝的用户：通过短信或站内信发送最近一次浏览/收藏/加车的商品优惠信息挽回，需要投入优惠力度要更大一些。

7. 近期（一周内）打开淘宝的用户：发放相关品类的优惠券或发送 降价信息促成交易。

为此我们需要先计算每个用户最近一次行为时间，并筛选出无下单的两类用户，分别对其打标

#计算每个用户最近一次行为时间
recent_date=data.groupby('user_id')['date'].max().reset_index()
recent_act_date=recent_date.rename(columns={'date':'recent_act_date'})
user=pd.merge(user,recent_act_date,on='user_id',how='left')
#将无消费且一周内打开过淘宝的用户分到群组6，无消费且超过一周未打开淘宝的用户分到群组7
user.loc[(user.ordered_items==0)&(user.recent_act_date >= np.datetime64('2014-12-12')),['label']]=6
user.loc[(user.ordered_items==0)&(user.recent_act_date < np.datetime64('2014-12-12')),['label']]=7

user.label.value_counts().sort_index()/10000

可以发现这两类用户分别占总用户的9.1%与2.0%。

然后输出每个分组特征cluster_info。

cluster_info=user.groupby('label')[['recency','freq_buy_days','ordered_items','ordered_categories','order_rate']].agg(['count','mean','median'])
#计算每个组别的用户占比
cluster_info[('group_size','size_pct')]=cluster_info[('freq_buy_days',  'count')]/10000
cluster_info

最后，将分组用户信息user及分组特征cluster_info写入同一个Excel表。

#计算每个分组特征分组特征cluster_info
cluster_info=user.groupby('label')[['recency','freq_buy_days','ordered_items','ordered_categories','order_rate']].agg(['count','mean','median'])

#当Pandas要写入多个sheet时，to_excel第一个参数excel_writer要选择ExcelWriter对象，不能是文件的路径。否则，就会覆盖写入
with pd.ExcelWriter('./淘宝用户购物行为数据可视化分析/user_cluster.xlsx') as writer:
    user.to_excel(writer, sheet_name='user', index=False)
    cluster_size.to_excel(writer, sheet_name='cluster_size', index=True)