# 获取全部用户性别分布情况
cus_gender = cus_group.groupby('Gender').agg({'User_ID':'count'}).reset_index()
cus_gender
# 绘制性别占比饼状图
plt.figure(figsize=(15,10))
plt.pie(cus_gender.User_ID,labels=['女性','男性'],colors=['#FF69B4','#87CEFA'],autopct='%1.1f%%',explode=[0.05,0.01])
plt.title('不同性别用户数占比')
plt.show()
由此可知，客户群体以男性为主，占比为75%。
产看年龄分组
df_raw.Age.unique()
# 统计不同年龄段的用户数量
cus_age = cus_group.groupby(['Age','Gender']).agg({'User_ID':'count'}).reset_index()
cus_age
# 获得年龄分组中的男性用户数量
age_male = cus_age[cus_age['Gender'] == 'M']
# 获得年龄分组中的女性用户数量
age_female =cus_age[cus_age['Gender'] == 'F']
plt.figure(figsize=(15,5))
# 绘制男性在各个年龄段的数量柱状图
plt.bar(age_male['Age'],age_male['User_ID'],label='男性',color='#87CEFA',width=0.7)
# 绘制女性在各个年龄段的数量柱状图
plt.bar(age_female['Age'],age_female['User_ID'],bottom=list(age_male['User_ID']),label='女性',color='#FF69B4',width=0.7)
# 增加图例
plt.legend(loc='upper right')
# 横纵坐标标签
plt.xlabel('年龄段')
plt.ylabel('用户数量')
plt.show()
26-35岁群体用户数量最多，且以男性为主。
18-45岁群体为消费主力。
# 统计不同岗位类别下的用户数量
cus_Occupation = cus_group.groupby('Occupation').agg({'User_ID':'count'}).reset_index()
cus_Occupation.sort_values('User_ID',inplace=True)
cus_Occupation
# 绘制不同岗位与用户数量条形图
plt.figure(figsize=(15,10))
plt.barh(list(cus_Occupation['Occupation']),cus_Occupation['User_ID'],color='#87CEFA')
plt.yticks(cus_Occupation['Occupation'])
# 横纵坐标标签
plt.xlabel('用户数量')
plt.ylabel('岗位类别')
plt.show()
从职业分布上来看看，单个岗位下单人数排名的前五分别是：程序员、医生、项目管理、警察、农业从业者。
# 查看城市类别的值有哪些
df_raw['City_Category'].unique()
获取不同城市类别对应的数量
cus_city_category = df_raw.groupby('City_Category').agg({'User_ID':'nunique'}).reset_index()
cus_city_category
# 绘制不同城市类别用户数占比饼状图
plt.figure(figsize=(5,5))
plt.pie(cus_city_category.User_ID,labels=['A','B','C'],colors=['#FF69B4','#87CEFA','#F5DEB3'],autopct='%1.1f%%',explode=[0.01,0.01,0.03])
plt.title('各类别用户数量占比')
plt.show()
# 已婚和未婚数量统计
cus_Marital_Status = cus_group.groupby('Marital_Status').agg({'User_ID':'count'}).reset_index()
cus_Marital_Status.Marital_Status.replace({0:'未婚',1:'已婚'},inplace=True)
cus_Marital_Status
# 绘制不同婚姻状况用户数量占比
plt.figure(figsize=(15,10))
plt.pie(cus_Marital_Status['User_ID'],labels=cus_Marital_Status['Marital_Status'],colors=['#FF69B4','#87CEFA'],autopct='%1.1f%%',explode=[0.05,0.01])
plt.title('不同婚姻状况用户数量占比')
plt.show()
# 查看用户年龄分组的具体值
cus_group['Age'].unique()
# 获得不同年龄段的消费平均值
group_0to17 = cus_group[cus_group['Age']=='0-17']['Purchase']
group_18to25 = cus_group[cus_group['Age']=='18-25']['Purchase']
group_26to35 = cus_group[cus_group['Age']=='26-35']['Purchase']
group_36o45 = cus_group[cus_group['Age']=='36-45']['Purchase']
group_46to50 = cus_group[cus_group['Age']=='46-50']['Purchase']
group_51to55 = cus_group[cus_group['Age']=='51-55']['Purchase']
group_55more = cus_group[cus_group['Age']=='55+']['Purchase']
# 绘制不同年龄段消费均值的箱线图
plt.figure(figsize=(15,6))
plt.boxplot([group_0to17,group_18to25,group_26to35,group_36o45,group_46to50,group_51to55,group_55more])
plt.xticks([1,2,3,4,5,6,7],['0-17','18-25','18-25','36-45','46-50','46-50','46-50'])
plt.show()
# 绘制整体用户的消费均值的箱线图
plt.figure(figsize=(15,10))
plt.boxplot(cus_group.Purchase)
plt.xticks(ticks=[1],labels=['整体购买均值'])
plt.show()
# 整体用户的消费均值的描述性统计
cus_group.Purchase.describe()
- 消费者绝对大多数分布是在C类城市的男性，已婚和未婚在消费者中比较均匀的分布，都在50%左右。
- 消费者主要分布在18-45岁之间，且26-35岁之间最多。
- 从职业分布上来看看，单个岗位下单人数排名的前五分别是：程序员、医生、项目管理、警察、农业从业者。
- 绝大多数的消费者的平均消费处于8400-10800美元之间，且不同年龄段消费金额的集中程度差异不大。
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、pandas是什么？示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。二、使用步骤1.引入库代码
你拥有一个超市(Supermarket Mall)。通过会员卡，你用有一些关于你的客户的基本数据，如客户ID，年龄，性别，年收入和消费分数。消费分数是根据客户行为和购买数据等定义的参数分配给客户的。
问题陈述：你拥有这个商场。想要了解怎么样的消费者可以很容易地聚集在一起(目标顾客)，以便可以给营销团队以灵感并相应地计划策略。
数据集说明：
这是一个商场，通过会员卡，收集的顾客数据。
• CustomerID：顾客编号
• Gender：性别
• Age：年龄
• Annual Income (k$
大数据时代的消费者洞察 孙予加（柳莺） 阿里巴巴集团，产品经理 负责数据产品"淘宝指数"和"全景洞察" 摘要：随着互联网和移动设备的普及，用户留下 的痕迹越来越完整，越来越丰富，互联网就像是一个 巨大的模子把每一个人完整的印在上面，从吃穿住行 到心情状态，从社交娱乐到日常工作，事无巨细的保 留在网上。如果把一个人遗留在各种网站和 APP 上的 点点滴滴串起来，就能还原这个完整的人。本文探讨 了大数据时代消费者研究和社会研究领域将面临的 变革，并通过数据产品"淘宝指数"和"全景洞察" 向研究者阐述已经发生的未来。 关键词：大数据、社会学研究、消费者研究、 数 据挖掘、算法模型、淘宝指数、全景洞察 1. 消费者研究领域的新纪元 这个时代是研究"人"最好的时代。传统的线下 用户调研模式将面临巨大的冲击，因为传统问卷调研 面临成本高、周期长、样本量小、难以迭代等问题， 在大数据时代自然化解了。利用线上数据进行消费者 研究将取代传统的传统问卷调研，并成为主要趋势。 社会学研究和商业研究将会迎来一个新的时代。 如何从海量的繁杂无序的原始数据中提取出有 价值的信息， 数据挖掘技术是至关重要的角色。 例如， 网购收货地址结合登录 IP 地址的场所识别（学校、 医院、写字楼、小区、政府机构、工厂、商场等） ， 再结合上网时间地点（白天还是晚上、工作日还是周 末） ；通过算法模型就可以判断出一个人的工作地点、 住宅小区、身份职业等信息。另外，结合消费特征、 APP 偏好，以及社交网站的言论、关注点和公开的身 份信息，通过算法模型基本可以判断出每个人的性 别、年龄、身高体型、消费能力、学历学校、兴趣爱 好（摄影、户外、园艺、钓鱼、打牌、运动，甚至细 化到旅游的地点和运动的类型， 如跑步、 足球、 篮球、 游泳、舞蹈、瑜伽、骑马等） 、风格品味（偏好的品 牌和格调） 、影视偏好（喜欢的电影、电视剧和音乐 风格，追的明星和导演） 、生活习惯和状态（单身、 热恋还是已婚；是否有孩子、孩子的年龄段；是否有 宠物、宠物的类型和品种；是否有房有车、小区档次 和车的品牌型号；是否和父母同住、一家几口住在一 起） 。这些数据只是冰山一角，百度的搜索行为数据 结合地图定位信息，以及腾讯完整的社会关系网数 据，大数据时代的未来充满想象。 很多人可能开始担心数据安全的问题，据我所知 BAT 对数据安全的措施是极其严格的，阿里云的数据 安全级别超过欧洲最高标准。另外，所有和人有关的 数据是经过严格加密的，只有机器才能识别；而个人 只能看到一串无法识别毫无意义的代码。想要得到个 人的隐私数据是根本不可能的。 2．大数据洞察全景 大数据时代的特点是数据的全面、丰富、深度和 联接。不仅可以看到各个行业各种维度的数据，数据 之间还能打通和联接，能够去发现事物背后的关联。 真正的"大数据时代"是从全景到洞察，再到行动， 是一整套体系的建立。 基于此信念，创造了一款数据产品命名为"全 景洞察" ，用于帮助品牌商进行商业决策的高级研究 工具。其特点在于，数据的深度和宽度，可从各种角 度切入，深入的研究消费者特征和行为，对现象背后 的原因进行深度分析。 作为"全景洞察" 的产品经理， 相信它将会对研究领域产生颠覆性的影响。 "全景洞察"有丰富的数据源、非常细的数据颗 粒度（可无限交叉细分） 、可视化的数据展现和自由 灵活的数据分析方法，可进行深度的分析和数据挖 掘。数据分析的结论可落地到行动上，不仅仅是为了 研究而研究。在"全景洞察"中可自由选择需要的数 据分析方法（如下图） ，以及任意的数据维度进行对 比、交叉和关联分析，上亿条数据瞬间计算完成， 在 0.1 秒内以可视化的方式呈现，呈现后可继续细分进 行深度的分析。 2.1 用"全景洞察"建 Persona 背景：某轻奢侈品女包品牌希望用互联网的数据做品 牌定位，绘制目标人群完整的肖像，制定营销策略。 （该案例为真实案例，已隐去品牌名称。 ） 第一步：绘制购买该品牌包初步的消费者画像（人口 特征） ，确定目标人群。 人口特征维度交叉组合，看哪类人对该品牌包有明显 的倾向，通常有 1-3 类人。 （如果没有明显的人群倾 向，说明该品牌定位不准，需要明确品牌定位） 第二步：细化目标人群，对目标人群进行深度分析， 挖掘消费者需求，绘制完整画像。 可以通过该人群在各个行业下偏好的品类、品牌、价 位段、属性、商品特征来绘制完整的人群画像，从吃 穿住行到社交娱乐，深度了解目标人群才能把握其核 心需求。 第三步：如果该品牌有多个细分人群，针对每个人群 设计定制化的营销方案。 对最合适的人群推最合适的商品/服务，说最打动他 们的话， 用最合适的营销方式， 在恰当的时间和地点。 首先，挖掘该女包品牌消费者特征。将各种人口特征维度交叉组合反复尝试，找到特
大家好，本文以真实案为例手把手教你搭建电商系统的用户画像。
先来看该电商用户画像用到的标签。
数据内容包括user_id（用户身份）、item_id（商品）、IDbehavior_type（用户行为类型，包含点击、收藏、加购物车、支付四种行为，分别用数字1、2、3、4表示）、user_geohash（地理位置）、item_category（品类ID，即商品所属的品类）、Time（用户行为发生的时间），其中user_id和item_id因为涉及隐私，做了脱敏处理，显示的是数字编号。
下面是具体的代码实现过程。
数据集及源码https://github.com/JCATHoney/python-data-analysis
一、问题描述
1、不同类型卡的持卡人（type=所有者）的性别对比
2、不同类型卡的持卡人在办卡时的平均年龄对比
3、不同类型卡的持卡人在办卡前一年内的平均帐户余额对比
4、不同类型卡的持卡人在办卡前一年内的平均收入对比
二、数据集
描述：本数据为一家银行的个人金融业务数据集，可以作为银行场景下进行个人客户业务分析和数据挖掘的示例。这份数据中涉及到5300个银行客户的100万笔的交易，而且涉及70
好的，我可以回答您的问题。Python作为一种流行的编程语言，广泛用于数据分析和数据科学领域。以下是一些常见的Python数据分析案例：
1. 金融数据分析：Python可以用于金融数据分析，例如股票价格预测、市场趋势分析等。
2. 自然语言处理：Python可以用于处理自然语言数据，例如文本分类、情感分析、文本生成等。
3. 图像处理：Python可以用于图像处理，例如图像识别、图像分割、人脸识别等。
4. 社交网络分析：Python可以用于分析社交网络数据，例如网络图分析、用户行为分析等。
5. 机器学习：Python可以用于机器学习，例如分类、回归、聚类等。
这些案例只是Python数据分析领域中的一小部分，Python在数据科学和人工智能领域的应用非常广泛。
