使用這些基本 REST API 最佳實踐構建出色的 API
本文從數據分析常用邏輯框架及技術方法出發，結合python項目實戰全面解讀數據分析，可以系統掌握數據分析的框架套路，快速上手數據分析。
PEST分析是指宏觀環境的分析，宏觀環境是指影響一切行業或企業的各種宏觀力量。P是政治(Politics)，E是經濟(Economy)，S是社會(Society)，T是技術(Technology)。通常是戰略咨詢顧問用來幫助企業檢閱其外部宏觀環境的一種方法，以吉利收購沃爾沃為例：
5W2H分析法又稱七何分析法，包括：Why、What、Where、When、Who、How、How much 。主要用于用戶行為分析、業務問題專題分析、營銷活動等，是一個方便又實用的工具。
邏輯樹是分析問題最常用的工具之一，它是將問題的所有子問題分層羅列，從最高層開始，并逐步向下擴展。使用邏輯樹分析的主要優點是保證解決問題的過程的完整性，且方便將工作細分為便于操作的任務，確定各部分的優先順序，明確地把責任落實到個人。
4P即產品（Product）、價格（Price）、渠道（Place）、促銷（Promotion），在營銷領域，這種以市場為導向的營銷組合理論，被企業應用最普遍。通過將四者的結合、協調發展，從而提高企業的市場份額，達到最終獲利的目的。
4P營銷理論適用于分析企業的經營狀況，可視為企業內部環境，PEST分析的是企業在外部面對的環境。
SCQA分析是一個“結構化表達”工具，即S（Situation）情景、C（Complication）沖突、Q（Question）疑問、A（Answer）回答。
整個結構是通過描述當事者的現實狀態，然后帶出沖突和核心問題，通過結構化分析以提供更為明智的解決方案。以校園招聘SCQA分析為例：
SMART法是一種目標管理方法，即對目標的S（Specific）明確性，M（Measurable）可衡量性，A（Attainable）可實現性，R（Relevant）相關性，T（Time-based）時限性。
SWOT分析法也叫態勢分析法，S （Strengths）是優勢、W （Weaknesses）是劣勢，O （Opportunities）是機會、T （Threats）是威脅或風險。常用來確定企業自身的內部優勢、劣勢和外部的機會和威脅等，從而將公司的戰略與公司內部與外部環境有機地結合起來。以HUAWEI 的SWOT分析為例：
數據分析的技術方法是指提取出關鍵指標信息的具體方法，如對比分析、交叉分析、回歸預測分析等方法。
對比分析法是將兩個或兩個以上的數據進行比較，分析差異，揭示發展變化情況和規律。
舉例：各車企銷售表現
舉例：新書在各銷售渠道的銷量
舉例：市場占有率是典型的結構分析。
舉例：季節性分析和價格分析時常會用到index指標
舉例：常見的氣泡圖數據表格
舉例：商品流轉率表現圖
圖表展示可以幫助我們更好、更直觀地看懂數據信息。
圖表的選擇，不只是關注圖表的樣式，而關鍵在于關注數據情況及圖表展示的功能。可以通過數據展示的功能（構成、比較、趨勢、分布及聯系）進行圖表選擇，如下所示：
數據來源于kesci天貓真實成交訂單，主要是行為類數據。
a. 訂單編號：訂單編號
b. 總金額：訂單總金額
c. 買家實際支付金額：總金額 – 退款金額（在已付款的情況下）；未付款的支付金額為0
d. 收貨地址：全國各個省份
e. 訂單創建時間：下單時間
f. 訂單付款時間：付款時間（如果未付款，顯示NaN）
g. 退款金額：付款后申請退款的金額。未付款的退款金額為0
以天貓一個月內的訂單數據，觀察這個月的訂單量以及銷售額, 分析下單日期、收貨地址等因素對訂單量的影響以及訂單轉換情況，旨在提升用戶下單量和訂單轉換率，進而提高用戶實際支付額。
本文結合訂單流程以邏輯樹方法分析訂單數目的影響因素，從以下幾個維度展開：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import os
import warnings
warnings.filterwarnings('ignore')
# 讀取數據
df = pd.read_csv('tmall_order_report.csv')
df.head()
# 利用pandas_profiling一健生成數據情況（EDA）報告:數據描述、缺失、相關性等情況
import pandas_profiling as pp
report = pp.ProfileReport(df)
report
#規范字段名稱
df.columns
df=df.rename(columns={'收貨地址 ':'收貨地址','訂單付款時間 ':'訂單付款時間'})
df.columns
#查看數據基本信息
df.info()
# 數據類型轉換
df['訂單創建時間']=pd.to_datetime(df.訂單創建時間)
df['訂單付款時間']=pd.to_datetime(df.訂單付款時間)
df.info()
# 數據重復值
df.duplicated().sum()無
#數據缺失值
df.isnull().sum()
#數據集描述性信息
df.describe()
#篩選數據集
df_payed=df[df['訂單付款時間'].notnull()]#支付訂單數據集
df_trans=df_payed[df_payed['買家實際支付金額']!=0]#到款訂單數據集
df_trans_full=df_payed[df_payed['退款金額']==0]#全額到款訂單數據集分析2月份成交訂單數的變化趨勢
import pyecharts.options as opts
#將訂單創建時間設為index
df_trans=df_trans.set_index('訂單創建時間')
#按天重新采樣
se_trans_month = df_trans.resample('D')['訂單編號'].count()
from pyecharts.charts import Line
#做出標有具體數值的變化圖
name = '成交訂單數'
(
Line()
.add_xaxis(xaxis_data = list(se_trans_month.index.day.map(str)))
.add_yaxis(
series_name= name,
y_axis= se_trans_month,
)
.set_global_opts(
yaxis_opts = opts.AxisOpts(
splitline_opts = opts.SplitLineOpts(is_show = True)
)
)
.render_notebook()
)
小結 1 ：2月上半月，多數企業未復工，快遞也停運，暫時無法發貨，訂單數很少；2月下半月，隨著企業復工逐漸增多，訂單數開始上漲。
se_trans_map=df_trans.groupby('收貨地址')['收貨地址'].count().sort_values(ascending=False)
# 為了保持收貨地址和下面的地理分布圖使用的省份名稱一致，定義一個處理自治區的函數
def strip_region(iterable):
result = []
for i in iterable:
if i.endswith('自治區'):
if i == '內蒙古自治區':
i = i[:3]
result.append(i)
else:
result.append(i[:2])
else:
result.append(i)
return result
# 處理自治區
se_trans_map.index = strip_region(se_trans_map.index)
# 去掉末位‘省’字
se_trans_map.index = se_trans_map.index.str.strip('省')import pyecharts.options as opts
from pyecharts.charts import Map
# 展示地理分布圖
name = '訂單數'
(
Map()
.add(
series_name = name,
data_pair= [list(i) for i in se_trans_map.items()])
.set_global_opts(visualmap_opts=opts.VisualMapOpts(
max_=max(se_trans_map)*0.6
)
)
.render_notebook()
)用直觀的地圖來觀察成交訂單數的分布情況
訂單數以及訂單轉化率的呈現
dict_convs=dict() #字典
dict_convs['總訂單數']=len(df)
df_payed
dict_convs['訂單付款數']=len(df_payed.notnull())
df_trans=df[df['買家實際支付金額']!=0]
dict_convs['到款訂單數']=len(df_trans)
dict_convs['全額到款訂單數']=len(df_trans_full)#字典轉為dataframe
df_convs = pd.Series(dict_convs,name = '訂單數').to_frame()
df_convs#求總體轉換率，依次比上總訂單數
total_convs=df_convs['訂單數']/df_convs.loc['總訂單數','訂單數']*100
df_convs['總體轉化率']=total_convs.apply(lambda x:round(x,0))
df_convs#求單一轉換率
single_convs=df_convs.訂單數/(df_convs.訂單數.shift())*100
single_convs=single_convs.fillna(100)
df_convs['單一轉化率']=single_convs.apply(lambda x:round(x,0))
df_convs
畫轉換率漏斗圖，直觀呈現訂單轉化情況
from pyecharts.charts import Funnel
from pyecharts import options as opts
name = '總體轉化率'
funnel = Funnel().add(
series_name = name,
data_pair = [ list(z) for z in zip(df_convs.index,df_convs[name]) ],
is_selected = True,
label_opts = opts.LabelOpts(position = 'inside')
)
funnel.set_series_opts(tooltip_opts = opts.TooltipOpts(formatter = '{a}<br/>{b}:{c}%'))
funnel.set_global_opts( title_opts = opts.TitleOpts(title = name),
# tooltip_opts = opts.TooltipOpts(formatter = '{a}<br\>{b}:{c}%'),
)
funnel.render_notebook()
name = '單一轉化率'
funnel = Funnel().add(
series_name = name,
data_pair = [ list(z) for z in zip(df_convs.index,df_convs[name]) ],
is_selected = True,
label_opts = opts.LabelOpts(position = 'inside')
)
funnel.set_series_opts(tooltip_opts = opts.TooltipOpts(formatter = '{a}<br/>{b}:{c}%'))
funnel.set_global_opts( title_opts = opts.TitleOpts(title = name),
# tooltip_opts = opts.TooltipOpts(formatter = '{a}<br\>{b}:{c}%'),
)
funnel.render_notebook()
小結 3：從單一轉化率來看，支付訂單數-到款訂單數轉換率為79%，后續可以從退款率著手分析退款原因，提高轉換率。
文章轉自微信公眾號@算法進階