最近更博客的频率基本是一周一更了，然后最近的博客也基本会是跟大家分享一些数据分析相关的案例（哈哈哈，就当练练“手感”了）。
目前我的博客也已经记录下了很多数据分析相关的案例，也基本都放在了我的数据分析专栏，学习数据分析的朋友可以多看看哦。
目录
- 前言
- 分析背景
- 分析目标
- 1 数据概况分析
- 2 单变量分析
- 2.1 数字型变量（age异常值的处理）
- 2.2 类别型变量
- 2.2.1 date的调整
- 2.2.2 gender的调整
- 3 相关和可视化
- 3.1 观察age与其他用户个人信息的相关关系
- 3.2 观察age与用户下单渠道和性别的相关关系
- 4 模型的建立与评估
- 4.1 模型建立
- 4.2 数据可视化，查看单变量维度分析结果
- 4.3 模型评估
- 4.4 模型优化（增加分群个数）
- 5 业务解读
- 5.1 用户分析
- 5.2 提高客群区分度分析
- 5.3 结论
前言
分析背景
Airbnb在全球拥有广泛丰富的用户出行场景。自身在APP和网页端以及通过各种营销渠道会收集到非常全面的用户行为数据。通过这些数据，锁定潜在的目标客群并制定相应的营销策略是Airbnb发展的重要基石。
分析目标
根据用户数据及消费行为数据
- 使用Python对客户进行聚类分群，并给出用户画像
- 通过数据，分析用户群体的核心特征
1 数据概况分析
- id: 唯一的用户id
- date_account_created: 用户注册日期
- date_first_booking: 第一次订房日期
- gender: 性别
- age: 年龄
- Married: 已婚
- Children: 小孩数量
- android: 曾在Android客户端预订
- moweb: 曾在手机移动网页预订
- web: 曾在电脑网页预订
- ios: 曾在iOS端预订
- Language_EN: 使用英文语言
- Language_Zh: 使用中文语言
- Country_US: 目的地是美国
- Country_EUR: 目的地是欧洲国家
#导入模块和数据
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
airbnb = pd.read_csv('airbnb.csv')
airbnb.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 67936 entries, 0 to 67935
Data columns (total 14 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 age 67936 non-null int64
1 date_account_created 67936 non-null object
2 date_first_booking 67936 non-null object
3 gender 67936 non-null object
4 Language_EN 67936 non-null int64
5 Language_ZH 67936 non-null int64
6 Country_US 67936 non-null int64
7 Country_EUR 67936 non-null int64
8 android 67936 non-null int64
9 moweb 67936 non-null int64
10 web 67936 non-null int64
11 ios 67936 non-null int64
12 Married 67936 non-null int64
13 Children 67936 non-null int64
dtypes: int64(11), object(3)
memory usage: 7.3+ MB
airbnb.head()
| age | date_account_created | date_first_booking | gender | Language_EN | Language_ZH | Country_US | Country_EUR | android | moweb | web | ios | Married | Children | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 56 | 9/28/2010 | 8/2/2010 | F | 1 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 1 | 1 |
| 1 | 42 | 12/5/2011 | 9/8/2012 | F | 1 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 1 |
| 2 | 41 | 9/14/2010 | 2/18/2010 | U | 1 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 2 |
| 3 | 46 | 1/2/2010 | 1/5/2010 | F | 1 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 2 |
| 4 | 47 | 1/3/2010 | 1/13/2010 | F | 1 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 1 | 3 |
用户的个人信息：
- 发现日期变量：date_account_created, date_first_booking是object变量，需要调整
- 发现gender也是object变量，需要调整
2 单变量分析
2.1 数字型变量（age异常值的处理）
#查看数字型变量的核心指标
airbnb.describe()
| age | Language_EN | Language_ZH | Country_US | Country_EUR | android | moweb | web | ios | Married | Children | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| count | 67936.000000 | 67936.000000 | 67936.000000 | 67936.000000 | 67936.000000 | 67936.000000 | 67936.000000 | 67936.000000 | 67936.000000 | 67936.000000 | 67936.000000 |
| mean | 47.874249 | 0.974476 | 0.005947 | 0.713907 | 0.159091 | 0.658355 | 0.340423 | 0.895828 | 0.067534 | 0.790155 | 1.536696 |
| std | 146.090906 | 0.157711 | 0.076886 | 0.451937 | 0.365764 | 0.474265 | 0.473855 | 0.305485 | 0.250947 | 0.407201 | 0.836273 |
| min | 2.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 |
| 25% | 28.000000 | 1.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 1.000000 | 0.000000 | 1.000000 | 1.000000 |
| 50% | 33.000000 | 1.000000 | 0.000000 | 1.000000 | 0.000000 | 1.000000 | 0.000000 | 1.000000 | 0.000000 | 1.000000 | 1.000000 |
| 75% | 42.000000 | 1.000000 | 0.000000 | 1.000000 | 0.000000 | 1.000000 | 1.000000 | 1.000000 | 0.000000 | 1.000000 | 2.000000 |
| max | 2014.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 3.000000 |
age最大值为2014显然是异常的，故数据需要清理
#假定使用airbnb的目标客群为18 - 80岁
airbnb = airbnb[airbnb['age'] >= 18]
airbnb = airbnb[airbnb['age'] <= 80]
airbnb['age'].describe()
count 66473.000000
mean 36.040483
std 10.963735
min 18.000000
25% 28.000000
50% 33.000000
75% 41.000000
max 80.000000
Name: age, dtype: float64
airbnb['age'].value_counts()
30 3614
31 3522
32 3445
29 3404
28 3376
...
76 32
77 29
78 22
79 22
80 18
Name: age, Length: 63, dtype: int64
- 用户年龄分布在18 - 80岁，平均年龄为36岁，中位数为33岁。其中28 - 32岁用户为消费主体
- 说明年龄大的用户居多，所以拉开了整体数据分布
2.2 类别型变量
2.2.1 date的调整
- 常见操作1：将用户注册的年份提取
- 常见操作2：计算从用户注册到现在的时间，更加有价值
- 第一步：将注册日期转变为日期时间的格式
- 第二步：将年份从众提取出来，即用2020-注册日期的年份
#将注册日期转变为日期时间的格式
airbnb['date_account_created'] = pd.to_datetime(airbnb['date_account_created'])
airbnb.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 66473 entries, 0 to 67935
Data columns (total 14 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 age 66473 non-null int64
1 date_account_created 66473 non-null datetime64[ns]
2 date_first_booking 66473 non-null object
3 gender 66473 non-null object
4 Language_EN 66473 non-null int64
5 Language_ZH 66473 non-null int64
6 Country_US 66473 non-null int64
7 Country_EUR 66473 non-null int64
8 android 66473 non-null int64
9 moweb 66473 non-null int64
10 web 66473 non-null int64
11 ios 66473 non-null int64
12 Married 66473 non-null int64
13 Children 66473 non-null int64
dtypes: datetime64[ns](1), int64(11), object(2)
memory usage: 7.6+ MB
date_account_created的数据格式已转换为datetime64
#将年份从众提取出来，即用2020-注册日期的年份
airbnb['year_since_account_created'] = airbnb['date_account_created'].apply(lambda x: 2020 - x.year)
airbnb['year_since_account_created'].describe()
count 66473.000000
mean 7.035819
std 0.965431
min 6.000000
25% 6.000000
50% 7.000000
75% 8.000000
max 10.000000
Name: year_since_account_created, dtype: float64
airbnb['year_since_account_created'].value_counts()
7 25497
6 22469
8 13182
9 4307
10 1018
Name: year_since_account_created, dtype: int64
- 发现注册时间距今最短是6年，最长的是10年
- 注册时间多集中在6 - 7年
#同样方法处理date_first_booking
airbnb['date_first_booking'] = pd.to_datetime(airbnb['date_first_booking'])
airbnb['year_since_first_booking'] = airbnb['date_first_booking'].apply(lambda x: 2020 - x.year)
airbnb['year_since_first_booking'].describe()
count 66473.000000
mean 6.907481
std 0.995303
min 5.000000
25% 6.000000
50% 7.000000
75% 7.000000
max 10.000000
Name: year_since_first_booking, dtype: float64
- 发现第一次订房时间距今最短是5年，最长的是10年
- 这样的衍生变量在预测消费者购买能够更好得到潜在的效果
#既然已经将日期转变为了距今的年份，就可以将两个日期变量删除
airbnb.drop(airbnb.select_dtypes(['datetime64']), axis = 1, inplace = True)
airbnb.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 66473 entries, 0 to 67935
Data columns (total 14 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 age 66473 non-null int64
1 gender 66473 non-null object
2 Language_EN 66473 non-null int64
3 Language_ZH 66473 non-null int64
4 Country_US 66473 non-null int64
5 Country_EUR 66473 non-null int64
6 android 66473 non-null int64
7 moweb 66473 non-null int64
8 web 66473 non-null int64
9 ios 66473 non-null int64
10 Married 66473 non-null int64
11 Children 66473 non-null int64
12 year_since_account_created 66473 non-null int64
13 year_since_first_booking 66473 non-null int64
dtypes: int64(13), object(1)
memory usage: 7.6+ MB
2.2.2 gender的调整
#对gender进行哑变量处理
airbnb = pd.get_dummies(airbnb)
airbnb.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 66473 entries, 0 to 67935
Data columns (total 16 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 age 66473 non-null int64
1 Language_EN 66473 non-null int64
2 Language_ZH 66473 non-null int64
3 Country_US 66473 non-null int64
4 Country_EUR 66473 non-null int64
5 android 66473 non-null int64
6 moweb 66473 non-null int64
7 web 66473 non-null int64
8 ios 66473 non-null int64
9 Married 66473 non-null int64
10 Children 66473 non-null int64
11 year_since_account_created 66473 non-null int64
12 year_since_first_booking 66473 non-null int64
13 gender_F 66473 non-null uint8
14 gender_M 66473 non-null uint8
15 gender_U 66473 non-null uint8
dtypes: int64(13), uint8(3)
memory usage: 7.3 MB
3 相关和可视化
3.1 观察age与其他用户个人信息的相关关系
set1 = airbnb[['age', 'Children', 'Married', 'Language_EN', 'Country_US']]
set1.corr()
| age | Children | Married | Language_EN | Country_US | |
|---|---|---|---|---|---|
| age | 1.000000 | 0.095667 | 0.042270 | 0.057721 | -0.026222 |
| Children | 0.095667 | 1.000000 | 0.044594 | 0.011395 | 0.019058 |
| Married | 0.042270 | 0.044594 | 1.000000 | 0.002781 | 0.001530 |
| Language_EN | 0.057721 | 0.011395 | 0.002781 | 1.000000 | 0.005160 |
| Country_US | -0.026222 | 0.019058 | 0.001530 | 0.005160 | 1.000000 |
sns.heatmap(set1.corr(), cmap = 'pink')
- 用户的age与使用英语且家中小孩较多的变量成正相关关系，说明Airbnb在age越大，英语使用频率高和小孩较多的家庭中比较受欢迎
- 但age与目的地是美国的变量成负相关关系，说明用户age越大，越可能去美国之外的国家使用Airbnb
- age与其他用户个人信息的相关关系都太弱，对后续分析意义不大
3.2 观察age与用户下单渠道和性别的相关关系
set2 = airbnb[['age', 'android', 'moweb', 'web', 'ios', 'gender_F', 'gender_M']]
set2.corr()
| age | android | moweb | web | ios | gender_F | gender_M | |
|---|---|---|---|---|---|---|---|
| age | 1.000000 | 0.079089 | -0.078795 | 0.089291 | -0.073365 | -0.045750 | 0.025568 |
| android | 0.079089 | 1.000000 | -0.997242 | 0.022491 | -0.035327 | -0.070349 | -0.156132 |
| moweb | -0.078795 | -0.997242 | 1.000000 | -0.014833 | 0.036069 | 0.071656 | 0.156145 |
| web | 0.089291 | 0.022491 | -0.014833 | 1.000000 | -0.790675 | 0.022285 | -0.017945 |
| ios | -0.073365 | -0.035327 | 0.036069 | -0.790675 | 1.000000 | -0.025997 | 0.029723 |
| gender_F | -0.045750 | -0.070349 | 0.071656 | 0.022285 | -0.025997 | 1.000000 | -0.705323 |
| gender_M | 0.025568 | -0.156132 | 0.156145 | -0.017945 | 0.029723 | -0.705323 | 1.000000 |
sns.heatmap(set2.corr(), cmap = 'pink')
- 随着age增加，用户会越倾向于在web上下单
- age越大的用户，越倾向于用Android上下单；而age越小的用户，越倾向于用iOS下单
- 男性用户更喜欢在H5推送界面上下单，并且他们不喜欢在Android上下单
- age与用户下单渠道和性别的相关关系都太弱，对后续分析意义不大
4 模型的建立与评估
4.1 模型建立
选择基于用户的行为偏好以及用户个人信息的考量：
- android, moweb, web, ios反映了客户的行为偏好
- age是用户个人信息的变量
#将5个指标存放进新的变量中，方便后续调用
airbnb_5 = airbnb[['age', 'android', 'moweb', 'web', 'ios']]
#导入sklearn中的预处理scale
from sklearn.preprocessing import scale
#用scale处理完后，标准化airbnb中的数据，并存进变量x
x = pd.DataFrame(scale(airbnb_5))
#使用cluster建模，先尝试分为3组
from sklearn import cluster
model = cluster.KMeans(n_clusters = 3, random_state = 10)
model.fit(x)
KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,
n_clusters=3, n_init=10, n_jobs=None, precompute_distances='auto',
random_state=10, tol=0.0001, verbose=0)
#提取标签，查看分类结果
airbnb_5['cluster'] = model.labels_
airbnb_5.head(10)
| age | android | moweb | web | ios | cluster | |
|---|---|---|---|---|---|---|
| 0 | 56 | 1 | 0 | 1 | 0 | 1 |
| 1 | 42 | 0 | 1 | 1 | 0 | 0 |
| 2 | 41 | 1 | 0 | 1 | 0 | 1 |
| 3 | 46 | 1 | 0 | 1 | 0 | 1 |
| 4 | 47 | 1 | 0 | 1 | 0 | 1 |
| 5 | 50 | 1 | 0 | 1 | 0 | 1 |
| 6 | 46 | 1 | 0 | 1 | 0 | 1 |
| 7 | 36 | 1 | 0 | 1 | 0 | 1 |
| 8 | 33 | 1 | 0 | 1 | 0 | 1 |
| 9 | 31 | 1 | 0 | 1 | 0 | 1 |
4.2 数据可视化，查看单变量维度分析结果
sns.scatterplot(x = 'age', y = 'ios', hue = 'cluster', data = airbnb_5)
- iOS只有0和1两个维度，故其可视化不佳
4.3 模型评估
#评估单变量维度分群效果
airbnb_5.groupby(['cluster'])['age'].describe()
| count | mean | std | min | 25% | 50% | 75% | max | |
|---|---|---|---|---|---|---|---|---|
| cluster | ||||||||
| 0 | 21093.0 | 35.061253 | 9.940771 | 18.0 | 28.0 | 33.0 | 39.0 | 80.0 |
| 1 | 40845.0 | 36.876215 | 11.581504 | 18.0 | 29.0 | 34.0 | 43.0 | 80.0 |
| 2 | 4535.0 | 33.067916 | 8.641708 | 18.0 | 27.0 | 31.0 | 37.0 | 77.0 |
- 发现3组用户的年龄分布都在18 - 80岁之间，说明age的区分度较弱
airbnb_5.groupby(['cluster'])['ios'].describe()
| count | mean | std | min | 25% | 50% | 75% | max | |
|---|---|---|---|---|---|---|---|---|
| cluster | ||||||||
| 0 | 21093.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
| 1 | 40845.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
| 2 | 4535.0 | 1.0 | 0.0 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
- 0群和1群iOS为0，2群iOS大部分都为1，故iOS在群组中是一个很好的分群变量
from sklearn import metrics
#每一个变量x与之对应的群cluster的距离
x_cluster = model.fit_predict(x)
#将变量x与所在群进行比较，评分越高，个体与群越接近
score = metrics.silhouette_score(x, x_cluster)
print(score)
0.6335056609750385
#导出cluster_centers_
centers = pd.DataFrame(model.cluster_centers_)
print(centers)
0 1 2 3 4
0 -0.089316 -1.375323 1.375436 0.228944 -0.270589
1 0.076228 0.724734 -0.725096 0.206204 -0.270589
2 -0.271129 -0.130558 0.133297 -2.922051 3.695642
- 列0, 1, 2, 3, 4分别对应age, android, moweb, web, ios（重点关注每一列的数据，找出abs较大的数字，结合业务理解进行判断）
- 0群和2群较为独特，下单渠道较为集中：
- 0群喜欢用H5活动界面（如微信推送界面）下单，较少用android下单
- 2群iOS重度用户，且很少使用web下单
4.4 模型优化（增加分群个数）
#使用cluster建模，分为5组
from sklearn import cluster
model = cluster.KMeans(n_clusters = 5, random_state = 10)
model.fit(x)
KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,
n_clusters=5, n_init=10, n_jobs=None, precompute_distances='auto',
random_state=10, tol=0.0001, verbose=0)
#导出cluster_centers_
centers = pd.DataFrame(model.cluster_centers_)
print(centers)
0 1 2 3 4
0 -0.433590 0.727102 -0.725096 0.342225 -0.270589
1 -0.093553 -1.375323 1.379127 0.342225 -0.270589
2 -0.251366 0.053425 -0.122776 -2.922051 -0.270589
3 -0.271129 -0.130558 0.133297 -2.922051 3.695642
4 1.630809 0.708694 -0.706673 0.340277 -0.270589
- 年龄有变大的趋势
- 1群喜欢用H5活动界面（如微信推送界面）下单，较少用android下单
- 2群不喜欢用web下单
- 3群iOS重度用户，且很少使用web下单
- 4群年龄最大，但4群和0群数据区分度很小，对实际分析意义不大
5 业务解读
5.1 用户分析
-
用户年龄分布在18 - 80岁，平均年龄为36岁，中位数为33岁。其中28 - 32岁用户为消费主体
-
说明年龄大的用户居多，所以拉开了整体数据分布
-
注册时间距今最短是6年，最长的是10年
-
注册时间多集中在6 - 7年
-
第一次订房时间距今最短是5年，最长的是10年
5.2 提高客群区分度分析
-
用户的age与使用英语且家中小孩较多的变量成正相关关系，说明Airbnb在age越大，英语使用频率高和小孩较多的家庭中比较受欢迎
-
但age与目的地是美国的变量成负相关关系，说明用户age越大，越可能去美国之外的国家使用Airbnb
-
随着age增加，用户会越倾向于在web上下单
-
age越大的用户，越倾向于用Android上下单；而age越小的用户，越倾向于用iOS下单
-
男性用户更喜欢在H5推送界面上下单，并且他们不喜欢在Android上下单
将用户分为5组后：
- 年龄有变大的趋势
- 1群喜欢用H5活动界面（如微信推送界面）下单，较少用android下单
- 2群不喜欢用web下单
- 3群iOS重度用户，且很少使用web下单
5.3 结论
- 重点留意28 - 32岁和注册时间在6 - 7年的Airbnb重度用户的留存情况，对响应度较低的客户制定相应的营销策略
- 对说英语、家中小孩较多的年龄较大的用户制定相应的活动或产品相应模型，比如推出周末家庭优惠游的套餐，尽量用最小的营销投入来最大化收益
- 对年龄较大的用户制定经济实惠的旅游路线和住宿计划，并可以提示通过推送下单有满减政策；对年龄较小的用户提供新颖刺激的旅游项目，并可以提示通过iOS客户端下单有一定优惠
- 对不同渠道的宣传和营销策划进行组间分析，观察两者的差异性，不断完善营销策略，有针对性地对不同客群实施相应的营销手段。
推荐关注的专栏
👨👩👦👦 机器学习：分享机器学习实战项目和常用模型讲解
👨👩👦👦 数据分析：分享数据分析实战项目和常用技能整理
往期内容回顾
💚 学习Python全套代码【超详细】Python入门、核心语法、数据结构、Python进阶【致那个想学好Python的你】
❤️ 学习pandas全套代码【超详细】数据查看、输入输出、选取、集成、清洗、转换、重塑、数学和统计方法、排序
💙 学习pandas全套代码【超详细】分箱操作、分组聚合、时间序列、数据可视化
💜 学习NumPy全套代码【超详细】基本操作、数据类型、数组运算、复制和试图、索引、切片和迭代、形状操作、通用函数、线性代数
关注我，了解更多相关知识！
CSDN@报告，今天也有好好学习