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

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

Python使用OpenCV实现获取视频时长的小工具

《Python使用OpenCV实现获取视频时长的小工具》在处理视频数据时,获取视频的时长是一项常见且基础的需求,本文将详细介绍如何使用Python和OpenCV获取视频时长,并对每一行代码进行深入解析... 目录一、代码实现二、代码解析1. 导入 OpenCV 库2. 定义获取视频时长的函数3. 打开视频文

PostgreSQL的扩展dict_int应用案例解析

《PostgreSQL的扩展dict_int应用案例解析》dict_int扩展为PostgreSQL提供了专业的整数文本处理能力,特别适合需要精确处理数字内容的搜索场景,本文给大家介绍PostgreS... 目录PostgreSQL的扩展dict_int一、扩展概述二、核心功能三、安装与启用四、字典配置方法

Python中你不知道的gzip高级用法分享

《Python中你不知道的gzip高级用法分享》在当今大数据时代,数据存储和传输成本已成为每个开发者必须考虑的问题,Python内置的gzip模块提供了一种简单高效的解决方案,下面小编就来和大家详细讲... 目录前言:为什么数据压缩如此重要1. gzip 模块基础介绍2. 基本压缩与解压缩操作2.1 压缩文

Python设置Cookie永不超时的详细指南

《Python设置Cookie永不超时的详细指南》Cookie是一种存储在用户浏览器中的小型数据片段,用于记录用户的登录状态、偏好设置等信息,下面小编就来和大家详细讲讲Python如何设置Cookie... 目录一、Cookie的作用与重要性二、Cookie过期的原因三、实现Cookie永不超时的方法(一)

Python内置函数之classmethod函数使用详解

《Python内置函数之classmethod函数使用详解》:本文主要介绍Python内置函数之classmethod函数使用方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地... 目录1. 类方法定义与基本语法2. 类方法 vs 实例方法 vs 静态方法3. 核心特性与用法(1编程客

Python函数作用域示例详解

《Python函数作用域示例详解》本文介绍了Python中的LEGB作用域规则,详细解析了变量查找的四个层级,通过具体代码示例,展示了各层级的变量访问规则和特性,对python函数作用域相关知识感兴趣... 目录一、LEGB 规则二、作用域实例2.1 局部作用域(Local)2.2 闭包作用域(Enclos

Python实现对阿里云OSS对象存储的操作详解

《Python实现对阿里云OSS对象存储的操作详解》这篇文章主要为大家详细介绍了Python实现对阿里云OSS对象存储的操作相关知识,包括连接,上传,下载,列举等功能,感兴趣的小伙伴可以了解下... 目录一、直接使用代码二、详细使用1. 环境准备2. 初始化配置3. bucket配置创建4. 文件上传到os

从原理到实战深入理解Java 断言assert

《从原理到实战深入理解Java断言assert》本文深入解析Java断言机制,涵盖语法、工作原理、启用方式及与异常的区别,推荐用于开发阶段的条件检查与状态验证,并强调生产环境应使用参数验证工具类替代... 目录深入理解 Java 断言(assert):从原理到实战引言:为什么需要断言?一、断言基础1.1 语