Python 数据分析实战——社交游戏的用户流失?酒卷隆治_案例2

本文主要是介绍Python 数据分析实战——社交游戏的用户流失?酒卷隆治_案例2,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

# 什么样的顾客会选择离开

# 数据集

DAU : 每天至少来访问一次的用户数据

数据内容 数据类型 字段名

访问时间 string(字符串) log_data

应用名称 string(字符串) app_name

用户 ID int(数值) user_id

USER_INFO:用户属性数据

数据内容 数据类型 字段名

首次使用日期 string(字符串) install_data

应用名称 string(字符串) app_name

用户 ID int(数值) user_id

性别(女性、男性) string(字符串) gender

年龄段(10、20、30、40、50) int(数值) generation

设备类型(iOS、Android) string(字符串) device_type

# 加载模块
import pandas as pd 
import numpy as np 
import matplotlib.pyplot as plt 
plt.rcParams['font.sans-serif']=['SimHei'] # 用来显示中文# 导入数据
DAU = pd.read_csv("D:/data/datasource/数据分析实战_酒卷隆治/R/section4-dau.csv")
USER_INFO = pd.read_csv("D:/data/datasource/数据分析实战_酒卷隆治/R/section4-user_info.csv")

# merge data 
data = pd.merge(DAU,USER_INFO,on='user_id',how='left')
data['log_mon'] = data.log_date.apply(lambda x: pd.to_datetime(x).strftime('%Y-%m'))
data.head(10)
# 数据分析
# 用户群分析(性别)
df_gender = pd.pivot_table(data,values='user_id',index = 'log_mon',columns='gender',aggfunc='count').reset_index()
df_gender['prop_f'] = df_gender['F']/(df_gender['F']+df_gender['M'])
df_gender['prop_m'] = df_gender['M']/(df_gender['F']+df_gender['M'])
df_gender

# 根据上述数据,可以发现9月份的整体数据下降,但是男女比例的构成几乎没有变。
# 由此可以判断性别属性对用户数量下降的影响很小。
# 用户群分析(年龄)
age_min = data['generation'].min()
age_max = data['generation'].max()
# print(age_min, age_max)
# 将年龄进行分组
data['age_group'] =pd.cut(data.generation,bins=[age_min-1,19,29,39,49,59],labels=['10~19','20~29','30~39','40~49','50~59']) df_age = pd.pivot_table(data,values='user_id',index = 'log_mon',columns='age_group',aggfunc='count').reset_index()
# print(df_age.columns)
# 计算不同age_group 占比
for i in df_age.columns:if i != 'log_mon':var = i+'_prop'df_age[var] = df_age[i]/(df_age['10~19']+df_age['20~29']+df_age['30~39']+df_age['40~49']+df_age['50~59'])df_age[['10~19_prop','20~29_prop','30~39_prop','40~49_prop','50~59_prop']]  

# 通过比较不同年龄段的占比,发现不同年龄群的用户在月总数据中的占比没有发生大的变化,说明年龄属性对用户的下降影响很小。
# 用户群分析(性别*年龄)
df_mix = pd.pivot_table(data,values='user_id',index = 'log_mon',columns=['gender','age_group'],aggfunc='count')
df_mix

# 通过将性别于年龄进行交叉组合,发现每个用户群所占的比例大体没变。
# 用户群分析(设备类型)
df_device = pd.pivot_table(data,values='user_id',index='log_mon',columns='device_type',aggfunc='count').reset_index()
df_device

# 发现IOS设备的用户数略有下降,而Android 的用户却大量减少。
# 再进一步的通过时间序列图确认用户数变化的程度from datetime import datetime
import matplotlib
from matplotlib import dates as mdates fig = plt.figure(figsize=(10,4))  # 设置画布大小
# 生成可视化数据
df = pd.pivot_table(data,values='user_id',index='log_date',columns='device_type',aggfunc='count').reset_index()
df['log_date'] = df.log_date.apply(lambda x:pd.to_datetime(x))# 画图
plt.plot(df.log_date, df.Android,marker='o',label='Android')
plt.plot(df.log_date,df.iOS,marker='*',label='iOS')plt.legend()
plt.title('不同类型设备的用户数变化')
# 设置坐标轴
plt.xticks(df.log_date , rotation=45) 
plt.gca().xaxis.set_major_formatter(matplotlib.dates.DateFormatter('%Y-%m-%d')) # 设置显示格式
plt.gca().xaxis.set_major_locator(mdates.DayLocator(interval=3)) # 日期间隔

 解决对策

# 从图可知,iOS设备的用户数和之前的大体相同,再一个区间内震荡。

# 但安卓用户数2013-09第二周开始急剧减少。经与开发部门确认,9月12号有一次设备升级,部分机型通过测试。在导出流失的用户机型数据后,发现系统版本存在问题,在修复系统后用户数据恢复正常。

这篇关于Python 数据分析实战——社交游戏的用户流失?酒卷隆治_案例2的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/660058

相关文章

Python包管理工具pip的升级指南

《Python包管理工具pip的升级指南》本文全面探讨Python包管理工具pip的升级策略,从基础升级方法到高级技巧,涵盖不同操作系统环境下的最佳实践,我们将深入分析pip的工作原理,介绍多种升级方... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

PowerShell中15个提升运维效率关键命令实战指南

《PowerShell中15个提升运维效率关键命令实战指南》作为网络安全专业人员的必备技能,PowerShell在系统管理、日志分析、威胁检测和自动化响应方面展现出强大能力,下面我们就来看看15个提升... 目录一、PowerShell在网络安全中的战略价值二、网络安全关键场景命令实战1. 系统安全基线核查

基于Python实现一个图片拆分工具

《基于Python实现一个图片拆分工具》这篇文章主要为大家详细介绍了如何基于Python实现一个图片拆分工具,可以根据需要的行数和列数进行拆分,感兴趣的小伙伴可以跟随小编一起学习一下... 简单介绍先自己选择输入的图片,默认是输出到项目文件夹中,可以自己选择其他的文件夹,选择需要拆分的行数和列数,可以通过

Python中反转字符串的常见方法小结

《Python中反转字符串的常见方法小结》在Python中,字符串对象没有内置的反转方法,然而,在实际开发中,我们经常会遇到需要反转字符串的场景,比如处理回文字符串、文本加密等,因此,掌握如何在Pyt... 目录python中反转字符串的方法技术背景实现步骤1. 使用切片2. 使用 reversed() 函

Python中将嵌套列表扁平化的多种实现方法

《Python中将嵌套列表扁平化的多种实现方法》在Python编程中,我们常常会遇到需要将嵌套列表(即列表中包含列表)转换为一个一维的扁平列表的需求,本文将给大家介绍了多种实现这一目标的方法,需要的朋... 目录python中将嵌套列表扁平化的方法技术背景实现步骤1. 使用嵌套列表推导式2. 使用itert

使用Docker构建Python Flask程序的详细教程

《使用Docker构建PythonFlask程序的详细教程》在当今的软件开发领域,容器化技术正变得越来越流行,而Docker无疑是其中的佼佼者,本文我们就来聊聊如何使用Docker构建一个简单的Py... 目录引言一、准备工作二、创建 Flask 应用程序三、创建 dockerfile四、构建 Docker

Python使用vllm处理多模态数据的预处理技巧

《Python使用vllm处理多模态数据的预处理技巧》本文深入探讨了在Python环境下使用vLLM处理多模态数据的预处理技巧,我们将从基础概念出发,详细讲解文本、图像、音频等多模态数据的预处理方法,... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

Python使用pip工具实现包自动更新的多种方法

《Python使用pip工具实现包自动更新的多种方法》本文深入探讨了使用Python的pip工具实现包自动更新的各种方法和技术,我们将从基础概念开始,逐步介绍手动更新方法、自动化脚本编写、结合CI/C... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

Conda与Python venv虚拟环境的区别与使用方法详解

《Conda与Pythonvenv虚拟环境的区别与使用方法详解》随着Python社区的成长,虚拟环境的概念和技术也在不断发展,:本文主要介绍Conda与Pythonvenv虚拟环境的区别与使用... 目录前言一、Conda 与 python venv 的核心区别1. Conda 的特点2. Python v

Python使用python-can实现合并BLF文件

《Python使用python-can实现合并BLF文件》python-can库是Python生态中专注于CAN总线通信与数据处理的强大工具,本文将使用python-can为BLF文件合并提供高效灵活... 目录一、python-can 库:CAN 数据处理的利器二、BLF 文件合并核心代码解析1. 基础合