Kaggle |
您所在的位置:网站首页 › 服装数据分析能分析出什么 › Kaggle |
电商数据分析,是一个数据信息收集很多的数据行业。对电商数据进行分析意味着有更大的可能向市场进军。 数据集摘要:女士电子商务服装数据分析 链接:https://www.kaggle.com/nicapotato/womens-ecommerce-clothing-reviews 一、简介该数据集包括23486行和10个特征变量。每行对应一个客户评论,并包含以下变量: **服装ID:**整数分类变量,指的是要查看的特定作品。**年龄:**评论者年龄的正整数变量。**标题:**评论标题的字符串变量。评论文本:评论正文的字符串变量。**评分:**客户授予的产品评分的正序整数变量,从1最差,到5最佳。**推荐的IND:**二进制变量,说明客户在推荐1的地方推荐产品,不推荐0的地方。**积极的反馈计数:**积极的整数,记录发现该评论为积极的其他客户的数量。**高级部门名称:**产品高级部门的分类名称。**部门名称:**产品部门名称的分类名称。**类名称:**产品类名称的分类名称。中文名称英文名称服装IDClothing ID年龄Age标题Title评论文本Review Text评分:Rating推荐的INDRecommended IND积极的反馈计数Positive Feedback Count高级部门名称Division Name部门名称Department Name类名称Class Name二、数据读取1、数据处理环境pandas: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。Pandas纳入了大量库和一些标准的数据模型,提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。 Matplotlib:Matplotlib就是Python绘图库中的佼佼者,它包含了大量的工具,你可以使用这些工具创建各种图形(包括散点图、折线图、直方图、饼图、雷达图等),Python科学计算社区也经常使用它来完成数据可视化的工作。 Seaborn:Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面,便于用户能够做出各种有吸引力的统计图表。 2、数据读取方法pandas库支持csv和excel的操作;使用的是pd.read_csv的函数 导入numpy,seaborn``matplotlib和pandas读取Womens Clothing E-Commerce Reviews.csv 参数:index_col=0——第一列为index值 import pandas as pdimport matplotlib.pyplot as pltimport numpy as npimport seaborn as snsdf = pd.read_csv("Womens Clothing E-Commerce Reviews.csv", index_col=0)查看df.head从df.info可以存在缺失数据,只需要通过df.dropna()对缺失数据进行删除即可 df = df.dropna()df.info()数据中的Rating,Recommended,INDPositive Feedback Count的std`标准差都比较小,说明数据分布程度上比较集中 三、 数据分析1、哪个年龄组给出了哪些类型的评分?绘制年龄柱状图只需要简单通过plt.hist方法来画出相对用的柱状图 plt.hist(df['Age'], color="green", label = "Age")plt.legend()plt.xlabel("Age")plt.ylabel("Count")plt.title("Age Distribution in Data")我们可以从图片看出:数据中的顾客大部分集中于30到50之间,属于成年人较多 绘制不同年龄的评价等级图sns.boxplot是sns中的箱型图 plt.figure(figsize=(10,10))sns.boxplot(x = 'Rating', y = 'Age', data = df)在图中可以看出评分分布比较均匀 2、每个部门、推荐什么服装?查看Division Name,Department Name和'Class Name的唯一值print(df['Division Name'].unique())print(df['Department Name'].unique())print(df['Class Name'].unique())将Recommended IND推荐产品为1,不推荐0的数据分开 rd = df[df['Recommended IND'] == 1] # recommendednrd = df[df['Recommended IND'] == 0] # not recommendedrd.head()从图中看出:绿色的面积相对于黄色的面积大好几倍,说明大部分部门都可以推荐服装商品 下面绘制部门不同商品的推荐和不推荐叠加柱状图plt.figure(figsize=(15,10))plt.hist(rd['Class Name'], color="blue", alpha = 0.5, label = "Recommended")plt.hist(nrd['Class Name'], color="cyan", alpha = 0.5, label = "Not Recommended")plt.title("Recommended Items in each Class")plt.xticks(rotation=45)plt.legend()plt.show()从图中看出:并不是卖最多的Knits商品推荐成功率最大 3、哪个年龄段的人对什么样的衣服发表什么样的评论df['Review Length'] = df['Review Text'].astype(str).apply(len)df.head()单变量分布的最方便的方法是sns.distplot()功能。默认情况下,这将绘制直方图并拟合核密度估计(KDE) fig = plt.figure(figsize=(15, 8))ax = sns.distplot(df['Review Length'], color="blue")ax = plt.title("Length of Reviews")看出大部分人评论的长度都基本在500 绘制不同年龄段的人Review Length变量分布plt.figure(figsize=(20,10))sns.boxplot(x = 'Age', y = 'Review Length', data = df)图中可以看出评分在3以上的正面反馈的计数大 四、词云评论可视化词云是一种数据可视化技术,用于表示文本数据,其中每个单词的大小表示其出现的频率或重要性。可以使用词云突出显示重要的文本数据点。词云被广泛用于分析来自社交网络网站的数据。 1、清理数据import redef clean_data(text): letters_only = re.sub("[^a-zA-Z]", " ", text) words = letters_only.lower().split() return( " ".join( words ))2、加载停用词from wordcloud import WordCloud, STOPWORDSstopwords= set(STOPWORDS)|{'skirt', 'blouse','dress','sweater', 'shirt','bottom', 'pant', 'pants' 'jean', 'jeans','jacket', 'top', 'dresse'}def create_cloud(rating): x= [i for i in rating] y= ' '.join(x) cloud = WordCloud(background_color='white',width=1600, height=800,max_words=100,stopwords= stopwords).generate(y) plt.figure(figsize=(15,7.5)) plt.axis('off') plt.imshow(cloud) plt.show()3、等级是5的词云rating5= df[df['Rating']==5]['Review Text'].apply(clean_data)create_cloud(rating5) |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |