电商行业场景化项目分析（下）——数据分析

乐无异kop

于 2020-05-24 17:54:38 发布

阅读量973

点赞数 1

分类专栏：数据分析 Python 文章标签： python 数据分析可视化

本文链接：https://blog.csdn.net/ws19920726/article/details/106317864

版权

本文继续电商行业场景化项目的分析，重点展示Python驱动的数据可视化结果。内容包括销售额趋势、流量渠道、用户行为周期性、下单高峰时段以及用户复购率和RFM模型。通过对这些数据的解读，揭示了2月销量低因春节、购物节销量高、周一至周二下单活跃、凌晨适合系统维护以及复购率低和客户流失问题等关键发现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

根据电商行业场景化项目分析（上）——数据清洗，我们已经将数据清理完成，接下来我们使用Python进行可视化分析。

总体概览

# 1、	销售GMV
gmv = round(data['orderAmount'].sum()/10000, 2)
# 2、	成交总和
pay_sum = round(data['payment'].sum()/10000, 2)
# 3、	实际成交额
real_paysum = round(data[data['chargeback']=='否']['payment'].sum()/10000, 2)
# 4、	订单数量
order_count = data['orderID'].unique().size
# 5、	退货订单数
orderback_count = data[data['chargeback']=='是']['orderID'].size
# 6、	退货率
rate = round(orderback_count/order_count*100, 2)
# 7、	用户数
user_count = data['userID'].unique().size

2019年销售额、成交总和、实际成交额趋势

data['month'] = data['orderTime'].dt.month
gmv_month = round(data.groupby('month')['orderAmount'].sum()/10000, 2)
pay_sum_month = round(data.groupby('month')['payment'].sum()/10000, 2)
real_paysum_month = round(data[data['chargeback']=='否'].groupby('month')['payment'].sum()/10000, 2)
x = data['month'].unique()

plt.figure(figsize=(12,7)<