十种常用数据分析方法

描述性统计分析（Descriptive Statistics）

使用场景：用来总结数据的基本特征，如平均值、中位数、标准差等。
优势：简单易懂，快速总结数据。
劣势：无法深入挖掘数据的潜在关系。

模拟数据及示例代码：

import pandas as pd
import numpy as np# 生成模拟数据
data = {"user_log_acct": ["linfbi007", "13601089905_p", "jd_UbSjKwFGOfbv"] * 100,"parent_sale_ord_id": np.random.randint(100000000000, 200000000000, size=300),"sale_ord_id": np.random.randint(100000000000, 200000000000, size=300),"sale_ord_tm": pd.date_range(start="2023-01-01", periods=300, freq="H").tolist(),"item_sku_id": np.random.randint(100000000, 200000000, size=300),"item_name": ["冰箱", "洗衣机", "电视"] * 100,"brandname": ["新飞", "海尔", "小米"] * 100,"sale_qtty": np.random.randint(1, 5, size=300),"item_first_cate_name": ["家用电器"] * 300,"item_second_cate_name": ["大家电"] * 300,"item_third_cate_name": ["冰箱", "洗衣机", "电视"] * 100,"before_prefr_unit_price": np.random.uniform(1000, 2000, size=300),"after_prefr_unit_price": np.random.uniform(800, 1500, size=300),"user_actual_pay_amount": np.random.uniform(700, 1400, size=300),"sale_ord_valid_flag": [1] * 300,"cancel_flag": [0] * 300,"check_account_tm": pd.date_range(start="2023-01-01", periods=300, freq="H").tolist(),"total_offer_amount": np.random.uniform(100, 500, size=300),"self_ord_flag": [1, 0] * 150,"user_site_city_id": np.random.randint(1, 100, size=300),"user_site_province_id": np.random.randint(1, 30, size=300),"user_lv_cd": [0, 1, 2] * 100
}df = pd.DataFrame(data)# 描述性统计分析
desc_stats = df.describe()
print(desc_stats)

结果：描述性统计结果包括每个数值字段的计数、平均值、标准差、最小值、25%分位数、50%分位数、75%分位数和最大值。通过这些数据，可以初步了解数据的分布情况。

判断：识别出用户实际支付金额的均值和标准差，帮助定价策略。了解各个商品类别的销量分布情况，便于库存管理。

数据可视化（Data Visualization）
- 使用场景：通过图表展示数据，发现趋势和模式。
- 优势：直观易懂，便于发现数据中的规律。
- 劣势：图表的准确性和美观度受数据和设计影响。
- 模拟数据及示例代码：
```
import matplotlib.pyplot as plt# 销售数量分布图
plt.figure(figsize=(10, 6))
df['sale_qtty'].hist(bins=20)
plt.title('Sales Quantity Distribution')
plt.xlabel('Quantity')
plt.ylabel('Frequency')
plt.show()
```
- 结果：通过绘制销售数量的直方图，可以看到不同销售数量的频率分布，判断出哪些销售量区间是最常见的。
- 判断：确定销售数量的常见区间，便于营销策略的制定。识别异常销售量，分析其原因。
相关性分析（Correlation Analysis）
- 使用场景：分析两个或多个变量之间的线性关系。
- 优势：揭示变量间的关系，便于进一步建模。
- 劣势：仅限于线性关系，无法捕捉非线性关系。
- 模拟数据及示例代码：
```
# 相关性分析
correlation_matrix = df.corr()
print(correlation_matrix)
```
结果：生成变量之间的相关系数矩阵，了解每对变量之间的相关程度。

判断：
- 确定价格和销量之间的关系，优化定价策略。
- 识别促销活动对实际支付金额的影响，调整促销方案。
假设检验（Hypothesis Testing）
- 使用场景：验证假设，判断样本数据是否支持某个假设。
- 优势：提供统计依据，支持决策。
- 劣势：需要设定显著性水平，结果受样本量影响。
- 模拟数据及示例代码：
```
from scipy import stats# 检验用户实际支付金额的均值是否为1000
t_stat, p_value = stats.ttest_1samp(df['user_actual_pay_amount'], 1000)
print(f"T-statistic: {t_stat}, P-value: {p_value}")
```
结果：计算T统计量和P值，通过P值判断是否拒绝原假设。

判断：
- 如果P值小于显著性水平（如0.05），则拒绝原假设，说明用户实际支付金额显著不同于1000。
- 帮助优化定价策略。
回归分析（Regression Analysis）
- 使用场景：预测变量之间的关系，用于预测和因果分析。
- 优势：能量化多个因素的影响，进行预测。
- 劣势：需要满足一定假设，复杂模型需要更多计算资源。
- 模拟数据及示例代码：
```
import statsmodels.api as sm# 线性回归分析
X = df[['before_prefr_unit_price', 'total_offer_amount', 'sale_qtty']]
y = df['user_actual_pay_amount']
X = sm.add_constant(X)
model = sm.OLS(y, X).fit()
print(model.summary())
```
结果：生成回归分析的详细报告，包括系数、标准误、P值等。

判断：
- 识别主要影响用户支付金额的因素，优化营销策略。
- 通过模型进行销售预测，改进库存管理。
聚类分析（Clustering Analysis）
- 使用场景：将数据分组，发现数据中的自然分类。
- 优势：便于发现潜在的用户群体或商品类别。
- 劣势：需要确定聚类数，结果解释较为复杂。
- 模拟数据及示例代码：
```
from sklearn.cluster import KMeans# 聚类分析
kmeans = KMeans(n_clusters=3)
df['cluster'] = kmeans.fit_predict(df[['before_prefr_unit_price', 'total_offer_amount', 'sale_qtty']])
print(df['cluster'].value_counts())
```
结果：每个聚类的样本数量分布，了解数据的聚类情况。

判断：
- 识别不同用户群体，进行精准营销。
- 分类商品，优化推荐系统。
时间序列分析（Time Series Analysis）
- 使用场景：分析时间序列数据的趋势和季节性变化。
- 优势：预测未来趋势，进行库存和资源规划。
- 劣势：模型复杂，需要较长时间序列数据。
- 模拟数据及示例代码：
```
from statsmodels.tsa.seasonal import seasonal_decompose# 时间序列分析
df.set_index('sale_ord_tm', inplace=True)
result = seasonal_decompose(df['user_actual_pay_amount'], model='additive', period=24)
result.plot()
plt.show()
```
结果：分解时间序列，得到趋势、季节性和残差成分。

判断：
- 识别销售趋势，调整营销策略。
- 预测季节性变化，优化库存管理。
频繁项集和关联规则挖掘（Association Rule Mining）
- 使用场景：发现商品之间的购买关联，提高交叉销售。
- 优势：揭示商品间的潜在关系，提升销售额。
- 劣势：规则数量庞大，需筛选有意义的规则。
- 模拟数据及示例代码：
```
from mlxtend.frequent_patterns import apriori, association_rules# 生成模拟购物篮数据
basket = df.groupby(['sale_ord_id', 'item_name']).size().unstack().reset_index().fillna(0).set_index('sale_ord_id')# 频繁项集
frequent_itemsets = apriori(basket, min_support=0.1, use_colnames=True)
rules = association_rules(frequent_itemsets, metric="lift", min_threshold=1)
print(rules.head())
```
结果：生成关联规则，包括支持度、置信度和提升度。

判断：
- 识别经常一起购买的商品，优化商品组合。
- 提升交叉销售策略，提高销售额。

分类分析（Classification Analysis）

使用场景：对用户或商品进行分类，用于精准营销或风险评估。
优势：便于预测新样本的类别，优化策略。
劣势：需大量标记数据，复杂模型需更多计算资源。

模拟数据及示例代码：

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report# 分类分析
X = df[['before_prefr_unit_price', 'total_offer_amount', 'sale_qtty']]
y = df['user_lv_cd']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
clf = RandomForestClassifier()
clf.fit(X_train, y_train)
y_pred = clf.predict(X_test)
print(classification_report(y_test, y_pred))

结果：生成分类报告，包括精确度、召回率和F1分数。

判断：

识别用户等级，进行精准营销。
评估商品风险，优化库存策略。

异常检测（Anomaly Detection）
- 使用场景：检测异常交易或行为，防范风险。
- 优势：发现异常情况，防止损失。
- 劣势：模型复杂，需调整参数。
- 模拟数据及示例代码：
```
from sklearn.ensemble import IsolationForest# 异常检测
iso_forest = IsolationForest(contamination=0.1)
df['anomaly'] = iso_forest.fit_predict(df[['user_actual_pay_amount', 'sale_qtty']])
print(df['anomaly'].value_counts())
```
结果：识别出异常样本的数量和分布。

判断：发现异常交易，防范欺诈行为。识别异常用户行为，进行风险控制。