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实现终端清屏的几种方式详解

《Python实现终端清屏的几种方式详解》在使用Python进行终端交互式编程时,我们经常需要清空当前终端屏幕的内容,本文为大家整理了几种常见的实现方法,有需要的小伙伴可以参考下... 目录方法一:使用 `os` 模块调用系统命令方法二:使用 `subprocess` 模块执行命令方法三:打印多个换行符模拟

Python实现MQTT通信的示例代码

《Python实现MQTT通信的示例代码》本文主要介绍了Python实现MQTT通信的示例代码,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1. 安装paho-mqtt库‌2. 搭建MQTT代理服务器(Broker)‌‌3. pytho

基于Python开发一个图像水印批量添加工具

《基于Python开发一个图像水印批量添加工具》在当今数字化内容爆炸式增长的时代,图像版权保护已成为创作者和企业的核心需求,本方案将详细介绍一个基于PythonPIL库的工业级图像水印解决方案,有需要... 目录一、系统架构设计1.1 整体处理流程1.2 类结构设计(扩展版本)二、核心算法深入解析2.1 自

从入门到进阶讲解Python自动化Playwright实战指南

《从入门到进阶讲解Python自动化Playwright实战指南》Playwright是针对Python语言的纯自动化工具,它可以通过单个API自动执行Chromium,Firefox和WebKit... 目录Playwright 简介核心优势安装步骤观点与案例结合Playwright 核心功能从零开始学习

Python 字典 (Dictionary)使用详解

《Python字典(Dictionary)使用详解》字典是python中最重要,最常用的数据结构之一,它提供了高效的键值对存储和查找能力,:本文主要介绍Python字典(Dictionary)... 目录字典1.基本特性2.创建字典3.访问元素4.修改字典5.删除元素6.字典遍历7.字典的高级特性默认字典

Python自动化批量重命名与整理文件系统

《Python自动化批量重命名与整理文件系统》这篇文章主要为大家详细介绍了如何使用Python实现一个强大的文件批量重命名与整理工具,帮助开发者自动化这一繁琐过程,有需要的小伙伴可以了解下... 目录简介环境准备项目功能概述代码详细解析1. 导入必要的库2. 配置参数设置3. 创建日志系统4. 安全文件名处

使用Python构建一个高效的日志处理系统

《使用Python构建一个高效的日志处理系统》这篇文章主要为大家详细讲解了如何使用Python开发一个专业的日志分析工具,能够自动化处理、分析和可视化各类日志文件,大幅提升运维效率,需要的可以了解下... 目录环境准备工具功能概述完整代码实现代码深度解析1. 类设计与初始化2. 日志解析核心逻辑3. 文件处

python生成随机唯一id的几种实现方法

《python生成随机唯一id的几种实现方法》在Python中生成随机唯一ID有多种方法,根据不同的需求场景可以选择最适合的方案,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起学习学习... 目录方法 1:使用 UUID 模块(推荐)方法 2:使用 Secrets 模块(安全敏感场景)方法

Java docx4j高效处理Word文档的实战指南

《Javadocx4j高效处理Word文档的实战指南》对于需要在Java应用程序中生成、修改或处理Word文档的开发者来说,docx4j是一个强大而专业的选择,下面我们就来看看docx4j的具体使用... 目录引言一、环境准备与基础配置1.1 Maven依赖配置1.2 初始化测试类二、增强版文档操作示例2.

MySql基本查询之表的增删查改+聚合函数案例详解

《MySql基本查询之表的增删查改+聚合函数案例详解》本文详解SQL的CURD操作INSERT用于数据插入(单行/多行及冲突处理),SELECT实现数据检索(列选择、条件过滤、排序分页),UPDATE... 目录一、Create1.1 单行数据 + 全列插入1.2 多行数据 + 指定列插入1.3 插入否则更