精华内容
下载资源
问答
  • 这是 python 数据分析案例系列的第二篇,主要是聚类分析,实现起来较为简单。后续还会继续更新,欢迎关注交流! 在处理实际的数据分析案例时,我们面临的往往是比较复杂的研究对象,如果能把相似的样品(或指标)归成...

    这是 python 数据分析案例系列的第二篇,主要是聚类分析,实现起来较为简单。后续还会继续更新,欢迎关注交流!

    在处理实际的数据分析案例时,我们面临的往往是比较复杂的研究对象,如果能把相似的样品(或指标)归成类,处理起来大为方便。

    聚类分析目的就是把相似的研究对象归成类

    先贴上总结的聚类分析基本步骤:

    算法过程如下:

    1)从N个文档随机选取K个文档作为 质心

    2)对剩余的每个文档测量其到每个 质心 的距离,并把它归到最近的质心的类

    3)重新计算已经得到的各个类的 质心

    4)迭代2~3步直至新的质心与原质心相等或小于指定阈值,算法结束

    工作原理

    K-MEANS算法

    输入:聚类个数k,以及包含 n个数据对象的数据库。

    输出:满足方差最小标准的k个聚类。

    存在问题

    K是事先给定的,这个K值的选定是非常难以估计的。很多时候,事先并不知道给定的数据集应该分成多少个类别才最合适。(有的算法是通过类的自动合并和分裂,得到较为合理的类型数目 K,例如 ISODATA 算法。)

    在 K-means 算法中,首先需要根据初始聚类中心来确定一个初始划分,然后对初始划分进行优化。说明初始聚类中心的选择对聚类结果有较大的影响,一旦初始值选择的不好,可能无法得到有效的聚类结果。(对于该问题的解决,许多算法采用遗传算法进行初始化,以内部聚类准则作为评价指标。)

    从 K-means 算法框架可以看出,该算法需要不断地进行样本分类调整,不断地计算调整后的新的聚类中心,因此当数据量非常大时,算法的时间开销是非常大的。

    分析案例

    背景

    -不同商圈的分时段客流量

    目标

    -通过不同商圈的分时段客流量数据,挖掘出不同类别的商圈

    -分析不同类别商圈的特点

    算法的Python实现

    数据获取与整理

    对数据进行基本分析,查看数据的基本情况

    对样本数据进行预处理

    构建样本集

    构建客流量聚类模型

    可视化结果

    Python代码如下

    # -*- coding: utf-8 -*-

    #读取数据

    import pandas as pd

    data=pd.read_excel(u'd:/data/example02/sample.xls',index_col=u'站点编号')

    data.head()

    #数据预处理

    data = (data - data.min())/(data.max() - data.min()) #离差标准化

    data=data.fillna(0) #处理na值

    data.to_excel('d:/data/example02/standata.xls',index=True) #保存结果

    ####模型构建####

    ##系谱图绘制

    import matplotlib.pyplot as plt

    from scipy.cluster.hierarchy import linkage,dendrogram

    #这里使用scipy的层次聚类函数

    Z = linkage(data, method = 'ward', metric = 'euclidean') #谱系聚类图

    P = dendrogram(Z, 0) #画谱系聚类图

    plt.show()

    ##层次聚类算法

    #参数初始化

    k = 3 #聚类数

    #模型构建

    from sklearn.cluster import AgglomerativeClustering #导入sklearn的层次聚类函数

    model = AgglomerativeClustering(n_clusters = k, linkage = 'ward')

    model.fit(data) #训练模型

    #详细输出原始数据及其类别

    r = pd.concat([data, pd.Series(model.labels_, index = data.index)], axis = 1) #详细输出每个样本对应的类别

    r.columns = list(data.columns) + [u'聚类类别'] #重命名表头

    import matplotlib.pyplot as plt

    style = ['', '', '']

    xlabels = [u'非上下班时段日均客流量', u'上下班时段日均客流量', u'周末日均客流量时间',

    u'工作日日均客流量']

    pic_output = 'd:/data/example02/type_' #聚类图文件名前缀

    for i in range(k): #逐一作图,作出不同样式

    plt.figure()

    tmp = r[r[u'聚类类别'] == i].iloc[:,:4] #提取每一类

    for j in range(len(tmp)):

    plt.plot(range(1, 5), tmp.iloc[j], style[i])

    plt.xticks(range(1, 5), xlabels, rotation = 20,fontproperties='SimHei') #坐标标签

    plt.title(u'商圈类别%s' %(i+1),fontproperties='SimHei') #我们计数习惯从1开始

    plt.subplots_adjust(bottom=0.15) #调整底部

    plt.savefig(u'%s%s.png' %(pic_output, i+1)) #保存图片

    聚类结果如下

    欢迎关注交流

    展开全文
  • 这是一个数据驱动一切的时代,从国家、企业、组织到个人,都在关注各种数据,并寄希望于从数据中获取到价值,因此数据分析就是这个时代的“淘金”!也正是因为这样,数据分析人才成为了当下的香饽饽,不...

    这是一个数据驱动一切的时代,从国家、企业、组织到个人,都在关注各种数据,并寄希望于从数据中获取到价值,因此数据分析就是这个时代的“淘金”!

    也正是因为这样,数据分析人才成为了当下的香饽饽,不管是数据分析师,数据分析工程师,还是数据产品经理,有数据思维的运营人员,都变得越来越受市场欢迎。

    b4613ede80666f9880e69bc381372ebe.png

    6665b2573972a1142142759c4d898589.png

    c8b5cde90e897d316decc85c0e5eb869.png

    未来5年数据类岗位的需求总量在2000万左右,不论是互联网、金融,还是零售、医疗、教育等行业对数据分析人才都将会爆发更大的需求,从数据可以看出,未来数据分析师将是职业发展的一个重要方向。

    因而在大数据时代,数据分析师迎来了黄金就业期

    可是对于目前很多从事数据分析的人员来说,却面临着职场窘境,很多人顶着数据分析师的title,却是在做着人肉跑数机的活,可谓是一顿操作猛如虎,最后连个拿得出手的项目经验都没有。

    最近,面试了几个数据分析岗位的人,结果一个都没录用,他们都有几年数据分析工作经验,但是询问其项目经历,却都寥寥无几。不禁感慨,工作几年,有些人可以月薪40K+,有些人却还在简历上造假项目经验,职场差距真的愈加明显……

    要知道数据分析是要懂业务的,一个好的数据分析师是要靠大量项目实践沉淀出来的。

    我们以一个具体问题为例:

    某家公司的产品经理发现最近新用户的留存比较差,希望能通过数据分析上找找原因。

    • 初级数据专员,两手一摊,这情况啊,我导出数据看看,最终也没分析出个所以然来。

    • 数据开发工程师,通过用户画像、问题假设等方法,发现活动推送并不能吸引95后的用户,然后找到留存差的原因。

    • 数据业务工程师,更是可以通过数据建模,算法模型,预测出将要产生的结果,指导工作的执行或者领导的决策,从而提升业绩。

    所以,职场不应该固守在原地,而是要学会不断进阶

    如何具备数据分析专家的能力?

    说了这么多数据分析的重要性,你是不是有这样的疑问:那么如何快速掌握数据分析思维,又如何应用到实际工作中呢?

    最近,我一直很喜欢的数据大神 Nicholas,他是工银瑞信商业分析经理,BAT大厂数据分析专家,止观科技首席顾问,首创“数据思维力模型”、“数据驱动业务的六脉神剑”,对传统行业数字化转型、金融行业数据思维打造、互联网行业数据驱动业务均有丰富实操经验。

    通过带你修炼数据思维,到“工具”再到“实践”,沿着数据分析学习路径拓展自己的能力边界,拥有更强的竞争力。

    2天训练营,11月23日 - 11月24日开课

    78cee1766fc0f5792c0a32423901aa57.png

    掌握数据分析全流程

    构建完整数据分析能力模型闭环

    原价499,限时扫码¥0.99

    不到一次共享单车的钱

    助你升职加薪、进大厂! 

    e103b8aa7c56abdd827ce3418c89575e.png

    职场进阶,扫码即刻开始👆

    +免费领取16本电子书 

    2大数据分析VIP课程

    +报名即享受大厂专属内推

    +更有求职大礼包,免费送~

    本公众号仅前 50 位用户有效

    课程通过建立起数据分析思维,全程贯穿大厂实战案例,手把手带你拆解业务,针对不同的⾏业带你以数据分析师的身份深⼊以下实际场景中

    除此之外,还梳理出了数据分析学习的学习路径以及高薪图谱,帮助更加明确具体的职业、工作岗位对于技能的具体需求。

    01

    我为什么推荐你报名?

    课程结合业务场景去拆解数据、多实践不同行业优质案例,尝试理解每一个决策背后的原因,从而大厂该具备的技能。

    下面是课程大纲,从方法到实战,助你成为一个依靠数据指导业务的高级分析师。

    162d80ea02fadbc22ace0534b9c4495e.png

    02

    老规矩,报名就送这些福利

    一、报名即送两个 VIP 专栏(原价¥499*2):《复杂业务问题&数据挖掘算法实战》《数据分析时代 你必须掌握的用户分析能力》,领取后就能开始在线学习。

    e7e9f76824752a7bae983947ccaf5f93.png

    7eee9930fb87f697e3556b5abfad8901.png

    二、报名即送 16 本经典程序员必读电子书(价值129元),覆盖Java核心技术、高并发程序设计、算法、数据结构、区块链、消息队列、数据库等必备技能。

    079f1da85d80643bd8859ee2155ecaa5.png

    03

    你将得到哪些服务

    一、报名即享金牌教研团队全程答疑服务。

    金牌教研团,平均从业年限10年以上,具备大厂实战经验,对技术深度钻研,对教学精益求精,历时半年精打细磨。

    27c08f2ad527608d7110261e0f2a06bb.png

    金牌讲师 Nicholas 老师,工银瑞信商业分析经理,BAT大厂数据分析专家,止观科技首席顾问。首创“数据思维力模型”、“数据驱动业务的六脉神剑”,对传统行业数字化转型、金融行业数据思维打造、互联网行业数据驱动业务均有丰富实操经验。

    9674bae54e660e78edd5497e6b27e40d.png

    二、报名即享“备教测练评”闭环服务。学习过程中通过定制化的学前测评、课后作业,以及源码学习资料、完整课件内容,全方位提升学习效果。

    505ea32889c3afd417660b07e4e8342e.png

    03

    听听往期学员怎么说

    6ea753f7dabacf0bbed5217eb5deaaac.png

    在这次真实项目实践训练营中,你将收获:

    •  重新认识数据分析专家视角下的数据分析

    •  从工作实际出发,系统性梳理该岗位必备的能力模型

    •  清晰把握该岗位必备的专业能力、通用能力和软实力都有哪些

    • 掌握成为数据分析专家的整体路径

    课程适合人群:

    • 有一定数据分析基础,有相关工作3年及以上(含2年以上的工作优异者)的数据工作者。

    • 希望系统性掌握数据分析技能、方法、框架的数据及业务同学。

    • 对数据充满兴趣,希望能用数据洞察业务,用数据驱动业务增长的各岗位同学。

    掌握数据分析全流程

    构建完整数据分析能力模型闭环

    原价499,限时扫码¥0.99

    不到一次共享单车的钱

    助你升职加薪、进大厂!

    aef18b23885542f38a4065e75933a5bb.png

    6ecfe5ff2c3e5b3e5b8029b09eb68174.png

    职场进阶,扫码即刻开始👆

    +免费领取16本电子书 

    2大数据分析VIP课程

    +报名即享受大厂专属内推

    +更有求职大礼包,免费送~

    本公众号仅前 50 位用户有效

    点击「阅读原文」

    领取直降 ¥498 限时优惠券

    仅需 ¥0.99 拿下 2天在线好课

    展开全文
  • 本书以功能强大且较易上手的Python语言为编程环境,全面讲解了大数据分析与机器学习技术的商业应用实战。全书共16章,讲解了线性回归模型、逻辑回归模型、决策树模型、朴素贝叶斯模型、K近邻算法模型、随机森林模型...

    大数据分析与机器学习技术已成为各行各业实现数字化变革的关键驱动力。本书以功能强大且较易上手的Python语言为编程环境,全面讲解了大数据分析与机器学习技术的商业应用实战。全书共16章,讲解了线性回归模型、逻辑回归模型、决策树模型、朴素贝叶斯模型、K近邻算法模型、随机森林模型、AdaBoost与GBDT模型、XGBoost与LightGBM模型、PCA(主成分分析)模型、聚类与分群模型(KMeans与DBSCAN算法)、协同过滤算法模型、Apriori关联分析模型、神经网络模型等十余种机器学习模型的原理和代码实现,每种模型都配有一到两个典型案例,涵盖金融、营销、医疗、社会科学、企业办公与管理等多个领域。本书适合具备一定数学知识和编程基础、希望快速在工作中应用大数据分析与机器学习技术的读者阅读,也适合Python编程爱好者或对大数据分析与机器学习技术感兴趣的读者参考。

    前言如何获取学习资源章 Python与数据科学1.1 大数据分析与机器学习概述131.1.1 大数据分析与机器学习的应用领域131.1.2 机器学习的基本概念141.1.3 Python在数据科学中的作用161.2 Python编程环境部署与基本操作161.2.1 Python的安装161.2.2 Pycharm的安装与设置181.2.3 Jupyter Notebook的使用221.3 Python基础知识概要28第2章 数据分析利器:NumPy、pandas与Matplotlib库2.1 NumPy库基础292.1.1 NumPy库与数组292.1.2 数组与列表的区别302.1.3 创建数组的几种方式312.2 pandas库基础332.2.1 二维数据表格DataFrame的创建332.2.2 Excel工作簿等文件的读取和写入382.2.3 数据的选取与处理412.2.4 数据表拼接472.3 Matplotlib库基础512.3.1 基本图表绘制512.3.2 数据可视化常用技巧562.4 案例实战:股票数据读取与K线图绘制612.4.1 初步尝试:股票数据读取与可视化622.4.2 进阶实战:股票K线图绘制65第3章 线性回归模型3.1 一元线性回归733.1.1 一元线性回归的数学原理733.1.2 一元线性回归的代码实现753.1.3 案例实战:不同行业工龄与薪水的线性回归模型773.2 线性回归模型评估833.2.1 模型评估的编程实现833.2.2 模型评估的数学原理843.3 多元线性回归873.3.1 多元线性回归的数学原理和代码实现873.3.2 案例实战:客户价值预测模型88第4章 逻辑回归模型4.1 逻辑回归模型的算法原理924.1.1 逻辑回归模型的数学原理924.1.2 逻辑回归模型的代码实现944.1.3 逻辑回归模型的深入理解954.2 案例实战:客户流失预警模型984.2.1 案例背景984.2.2 数据读取与变量划分984.2.3 模型的搭建与使用994.3 模型评估方法:ROC曲线与KS曲线1044.3.1 ROC曲线的基本原理1054.3.2 案例实战:用ROC曲线评估客户流失预警模型1084.3.3 KS曲线的基本原理1114.3.4 案例实战:用KS曲线评估客户流失预警模型112第5章 决策树模型5.1 决策树模型的基本原理1155.1.1 决策树模型简介1155.1.2 决策树模型的建树依据1165.1.3 决策树模型的代码实现1195.2 案例实战:员工离职预测模型1235.2.1 模型搭建1235.2.2 模型预测及评估1265.2.3 决策树模型可视化呈现及决策树要点理解1315.3 参数调优:K折交叉验证与GridSearch网格搜索1385.3.1 K折交叉验证1385.3.2 GridSearch网格搜索139第6章 朴素贝叶斯模型6.1 朴素贝叶斯模型的算法原理1456.1.1 一维特征变量下的贝叶斯模型1456.1.2 二维特征变量下的贝叶斯模型1466.1.3 n维特征变量下的贝叶斯模型1476.1.4 朴素贝叶斯模型的简单代码实现1476.2 案例实战:肿瘤预测模型1486.2.1 案例背景1486.2.2 数据读取与划分1486.2.3 模型的搭建与使用149第7章 K近邻算法7.1 K近邻算法的原理和代码实现1527.1.1 K近邻算法的基本原理1527.1.2 K近邻算法的计算步骤1537.1.3 K近邻算法的代码实现1557.2 案例实战:手写数字识别模型1577.2.1 案例背景1577.2.2 手写数字识别的原理1577.2.3 手写数字识别的代码实现1597.3 图像识别原理详解162第8章 随机森林模型8.1 随机森林模型的原理和代码实现1668.1.1 集成模型简介1668.1.2 随机森林模型的基本原理1678.1.3 随机森林模型的代码实现1688.2 案例实战:股票涨跌预测模型1708.2.1 股票基本数据获取1708.2.2 股票衍生变量生成1738.2.3 多因子模型搭建1818.2.4 模型使用与评估1848.2.5 参数调优1868.2.6 收益回测曲线绘制188第9章 AdaBoost与GBDT模型9.1 AdaBoost算法原理1909.1.1 AdaBoost算法的核心思想1909.1.2 AdaBoost算法的数学原理概述1919.1.3 AdaBoost算法的数学原理举例1949.1.4 AdaBoost算法的简单代码实现2009.2 AdaBoost算法案例实战:信用卡精准营销模型2019.2.1 案例背景2019.2.2 模型搭建2019.2.3 模型预测及评估2029.2.4 模型参数介绍2059.3 GBDT算法原理2069.3.1 GBDT算法的核心思想2069.3.2 GBDT算法的数学原理概述2089.3.3 GBDT算法的数学原理举例2089.3.4 GBDT算法的简单代码实现2139.4 GBDT算法案例实战:产品定价模型2149.4.1 案例背景2149.4.2 模型搭建2149.4.3 模型预测及评估2179.4.4 模型参数介绍2190章 机器学习神器:XGBoost与LightGBM算法10.1 XGBoost算法原理22310.1.1 XGBoost算法的核心思想22410.1.2 XGBoost算法的数学原理概述22410.1.3 XGBoost算法的简单代码实现22510.2 XGBoost算法案例实战1:金融反欺诈模型22610.2.1 案例背景22610.2.2 模型搭建22610.2.3 模型预测及评估22810.2.4 模型参数调优23010.3 XGBoost算法案例实战2:信用评分卡模型23310.3.1 案例背景23310.3.2 多元线性回归模型23410.3.3 GBDT回归模型23510.3.4 XGBoost回归模型23710.4 LightGBM算法原理24110.4.1 LightGBM

    展开全文
  • Python电商数据分析实战案例

    千次阅读 2021-08-02 00:15:11
    导读:今天给大家带来一个电商数据分析案例。我整理了下,以笔记的形式分享给到大家。案例背景大致是某电商连续几年的总体销售额都在上涨,但近年增速放缓,需要寻求有效的增涨点,以提升市场竞争力。...

    导读: 今天给大家带来一个电商数据分析案例。我整理了下,以笔记的形式分享给到大家。案例背景大致是某电商连续几年的总体销售额都在上涨,但近年增速放缓,需要寻求有效的增涨点,以提升市场竞争力。因为篇幅较长,因此本次案例分析共分为上下两篇。文章较长,建议收藏~


    电商分析基础知识

    在正式开始之前,云朵君为大家准备了一些常见的基础的电商分析基础知识,对于数据分析小白较为友好,电商分析大佬可酌情查看,若有写得不好的地方,还望大佬纠正,共同进步!

    此处参考自知乎:电商数据分析指标[1]

    电商分析指标

    一、 流量指标

    浏览量(PV):用户访问页面的总数。

    访客数(UV):独立访客。一台电脑为一个独立访问人数。可分为新访用户和回访用户。

    当前在线人数:指15分钟内在线的UV数。

    平均在线时间:指平均每个UV访问网页停留的时间长度。停留时间 = 访客打开网站第一个页面的时间点 – 打开网站最后一个页面的时间点。

    平均访问量:用户每次浏览的平均页面值。

    日均流量:平均每天的流量。

    跳出率:只浏览了一个页面就离开的访问次数除以该页面的全部访问次数。分为:首页跳出率、关键页面跳出率、具体产品页面跳出率等。这个指标可以反映出一个页面内容的受欢迎程度。如果跳出率高,说明该页面需要调整和优化。跳出率高不可怕,可怕的是不知道用户跳出的原因。

    二、转化指标

    有了流量之后,我们希望用户按照设计好的要求进行动作,比如希望用户注册、收藏、下单、付款、参加我们的营销活动等等。这些动作就是转化。

    转化率:指进行了相关动作的访问量占总访问量的比例。转化率是电商营运的核心指标,也是用来判断营销效果的指标。

    注册转化率:注册用户数/新访用户数。

    客服转化率:咨询客服人员的用户数/总访问数。

    收藏转化率:即将产品添加到收藏或关注的用户数/该产品的总访问数。

    添加转化率:将产品添加到购物车的用户数/该产品的总访问数。

    成交转化率:成交用户数/总访问数。成交转化率又可细分为渠道转化率、事件转化率、品牌转化率等。

    三、营运指标

    成交指标:成交金额、成交数量、成交用户数

    订单指标:订单金额、订单数量、订单用户数、有效订单、无效订单

    退货指标:退货金额、退货数量、退货用户数、金额退货率、数量退货率、订单退货率

    效率指标:客单价、件单价、连带率、动销率

    采购指标:采购金额、采购数量

    库存指标:库存金额、库存数量、库存天数、库存周转率、售罄率

    供应链指标:送货金额、送货数量、订单满足率、订单响应时长、平均送货时间

    四、会员指标

    传统零售业和电商的会员概念上有一些不同。传统零售业中,用户需要消费到一定的金额数目才有资格成为会员,所以传统零售的会员一定是顾客。而电商中,一般用户只要注册成功便成为会员。二是时效性的差异,大部分传统零售的会员管理有失效的规定,即如果会员不能在一定期限内消费达到某一金额就将会失去会员的资格。而电商中的会员则没有这种限制,只是对不同消费金额的用户设定了不同的等级。

    注册会员数:指曾经在网站上注册过的会员总数。一般来说这个定义没有太大的意义,因为存在有只注册不买的用户和买过东西但已经长时间不使用的用户,所以把这个指标定义为一年中有购买记录的会员更准确。

    活跃会员数: 指在一段时期内有过消费或登录行为的会员总数。

    活跃会员比率: 活跃会员数占总会员数的比例。

    会员复购率: 指在某时期内产生了第二次或以上购买会员数占总购买会员的总数。

    平局购买次数: 某时期内每个会员平均购买的次数。

    会员回购率: 指上一期末活跃会员在下一期时间内有购买行为的会员比率。

    会员留存率: 某时间节点的会员在某特定时间周期内登录或消费过的会员比率。电商一般使用消费数据,游戏、社交领域则使用登录数据。

    五、财务指标

    新客成本:公司花了100万获得了10000个新客户,则新客成本为100元/人。新客成本一般根据渠道计算,这样也可以区分不同的渠道质量。

    单人成本: 营销成本/访客数。这里的访客不区分是否是新访客、是否购买、是否注册等。

    单笔订单成本: 营销成本/产生的订单数

    费销比: 营销成本/订单金额。它的倒数就是ROI。

    核心指标是什么

    对于不同行业、不同性质、不同阶段的公司来说,关注的指标也是不一样的,所以所谓核心指标也并非一成不变的。

    对于一个新电商来说,积累数据,找准营运方向是最重要的,所以这一阶段最关注的的指标就是流量指标,包括了:访客数、访客来源、注册用户数、浏览量、浏览深度、产品的浏览量排行、产品的跳出率、顾客评价指数等等。

    对于已经营运了一段时间的电商来说,通过数据分析提高销量就成为最重要的目标。这个阶段最关注的的指标主要包括流量和销售指标:访客数、浏览量、转化率、新增会员数、会员流失率、客单价、动销率、库存天数、ROI、销售额等。

    对于具有了一定规模的电商来说,利用数据提升整体营运水平就很关键。他们的重点指标就是访客数、浏览量、转化率、复购率、流失率、留存率、客单价、利润率、ROI、新客成本、库存天数、订单满足率、销售额等。

    电商案例分析

    接下来进入我们今天案例分析的主题。

    总体思路

    1、了解行业与公司现状

    • 行业现状与趋势,如涉及哪些业务

    • 公司在市场中地位

    2、沟通明确需求

    • 头脑风暴,挖掘需求或瓶颈

    • 多次沟通,最有价值的分析

    3、最后用数据进行验证

    导入相关模块

    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    import seaborn as sns
    import datetime
    sns.set()
    pd.set_option('float_format', lambda x: '%.2f' % x)
    
    #显示中文
    plt.rcParams['font.family'] = ['Arial Unicode MS']
    plt.rcParams['axes.unicode_minus']=False
    

    宏观市场分析

    产品生命周期(product life cycle),简称PLC,是产品的市场寿命,即一种新产品从开始进入市场到被市场淘汰的整个过程。

    费农认为:产品生命是指市上的的营销生命,产品和人的生命一样,要经历形成、成长、成熟、衰退这样的周期。就产品而言,也就是要经历一个起步、成长、成熟、衰退的阶段。

    图片来自网络

    1、起步期

    企业规模可能很小,关于该行业的企业如何发展有不同看法,产品类型、特点、性能和目标市场不断发展变化。市场中充满各种新发明的产品或服务,管理层采取战略支持产品上市。产品设计尚未成熟,行业产品的开发相对缓慢,利润率较低,市场增长率较高。

    策略:跟踪对手、参与或观望。

    2、成长期

    该行业已经形成并快速发展,大多数企业因高增长率而在行业中继续存在。管理层需确保充分扩大产量达到目标市场份额。需大量资金达到高增长率和扩产计划,现金短缺。利用专利或者降低成本来设置进入壁垒(内在规模经济),阻止竞争者进入行业。

    策略:增加投入、增加市场占有率、阻止新进入者。

    3、成熟期

    增长率降到较正常水平,相对稳定,各年销售量变动和利润增长幅度较小,竞争更激烈。后期一些企业因投资回报率不满意而退出行业,一小部分企业主导行业,需监控潜在兼并机会(啤酒行业)、探索新市场(中国拖拉机出口)、研发新技术、开发具有不同特色功能的新产品。战略管理至关重要

    策略:提高效率、成本控制、进入和控制市场细分。兼并扩张,研发新品。

    4、衰退期

    行业生产力过剩,技术被模仿后出现的替代品充斥市场,市场增长率严重下降,产品品种减少,行业活动水平随各公司从该行业退出而下降,该行业可能不复存在或被并入另一行业。行业的存在期比任何单一产品都要长。充分运用战略管理很重要

    策略:及时退出。

    数据准备

    本次案例数据量较多,下面按照分类通过思维导图的方式将其展示出来。

    一级市场容量分析

    数据读取

    wxtz=pd.read_excel('./baier/电商案例数据/驱虫剂市场/电蚊香套装市场近三年交易额.xlsx')
    ff=pd.read_excel('./baier/电商案例数据/驱虫剂市场/防霉防蛀片市场近三年交易额.xlsx')
    mssc=pd.read_excel('./baier/电商案例数据/驱虫剂市场/灭鼠杀虫剂市场近三年交易额.xlsx')
    wx=pd.read_excel('./baier/电商案例数据/驱虫剂市场/盘香灭蟑香蚊香盘市场近三年交易额.xlsx')
    jrp=pd.read_excel('./baier/电商案例数据/驱虫剂市场/蚊香加热器市场近三年交易额.xlsx')
    wxp=pd.read_excel('./baier/电商案例数据/驱虫剂市场/蚊香片市场近三年交易额.xlsx')
    wxy=pd.read_excel('./baier/电商案例数据/驱虫剂市场/蚊香液市场近三年交易额.xlsx')
    

    横向合并

    将二级市场到交易额按照月份汇总到一起,形成一级市场到交易数据,用来分析整个一级市场(宏观市场)到市场容量走势

    table = wxy
    for i in [wxp,wxtz,ff,mssc,wx,jrp]:
        table = pd.merge(table,i,how='inner',on='时间')
    table.columns=['时间','电蚊香套装','防霉防蛀片','灭鼠杀虫剂','盘香灭蟑香蚊香盘','蚊香加热器','蚊香片','蚊香液']
    table.head()
    

    查看一级市场趋势

    一般后续分析要按照时间维度进行各种汇总分析,最好把时间字段设置为该表的索引。

    table.set_index('时间',inplace=True)
    table['一级市场销售总额']=table.sum(axis=1)
    table.head()
    # table.一级市场销售总额.plot()
    

    以时间索引为横轴,一级市场销售总额为纵轴,绘制折线图,查看一级市场销售趋势。由图中可以看出,销售总额趋势是周期性增长的。

    回归算法预测销售额

    这里有两点需要注意:

    • 一般作宏观市场容量分析,一般要求5年。

    • 发现年度数据不规整,2018年11月、12月缺失,2015年只有11月、12月。

    • 接下来用回归分别对18年11月、12月数据做出简单的预测。

    先预测18年11月的销售额,提取2015-2017年11月的销售额。

    table_02 = pd.concat([table['2015-11'],table['2016-11'],table['2017-11']],axis=0)
    table_02
    

    对二级市场作回归分析(上表每个字段作一次)。

    from sklearn.linear_model import LinearRegression
    y_11 = []
    x_train=np.array([2015,2016,2017]).reshape(-1,1)
    
    for i in table_02.columns:
        y_train=table_02[i].values
        clf = LinearRegression()
        clf.fit(x_train,y_train)
        y_pred = clf.predict(np.array([[2018]]).round(1))
        y_11.append(round(y_pred[0],2))
    y_11
    
    [5543203.83,
     776627.04,
     38692.61,
     6678677.55,
     71752495.99,
     1801318.82,
     193874.39,
     86784890.23]
    

    将上面得到的结果追加到15年到17年数据表中去。

    date = datetime.datetime.strptime('2018-11-1','%Y-%m-%d')
    y_11 = pd.Series(y_11,index=['电蚊香套装','防霉防蛀片','灭鼠杀虫剂','盘香灭蟑香蚊香盘',
                                 '蚊香加热器','蚊香片','蚊香液','一级市场销售总额']
                    ,name=date)
    table_02.loc[date,:]=y_11
    table_02
    

    同理,预测2018年12月各个杀虫剂销量。

    从预测结果可以看到,2018年11月和12月的市场销售总额,会比前三年还要进一步增加。

    二级市场容量分析

    将原始数据及预测得到的销售数据合并,再继续分析。

    table_04 = pd.concat([table,table_02,table_03],axis=0)
    # 根据索引排序
    table_04 = table_04.drop_duplicates(
          ).sort_index(ascending=False).iloc[:-2,:]
    table_04.head()
    

    统计2016、2017和2018年一级市场年销售总额。并绘制折线图。

    # table_04.resample('Y')['一级市场销售总额'].sum().plot()
    t4 = table_04.resample('Y')['一级市场销售总额'].sum()
    
    时间
    2016-12-31    917966079.69
    2017-12-31   1395872729.27
    2018-12-31   1699011039.03
    Freq: A-DEC, Name: 一级市场销售总额, 
    dtype: float64
    

    由上图可以看出,2018年相对于2017年全年销售总额增速有所降缓。进一步分析二级市场的容量,探寻市场增长点。

    table_05 = table_04.resample('Y').sum()
    table_05
    

    绘制各个驱虫剂三年内年消费总额折线图。

    从结果可以看到:

    • 二级市场里面,灭鼠杀虫剂市场销售额市场最大,增长幅度稳定

    • 接下来对细分市场作分析,集中在灭鼠杀虫市场内,也是由于需求方产品线所处对二级市场。

    • 灭蚊市场占比较大,增加产品多样性可以考虑灭蚊产品。

    二级市场的占比分析

    将所有杀虫剂年销售额除以一级市场销售总额,得到每种杀虫剂市场占比。

    a=[]
    for i in table_05.columns:
        a.append(table_05[i]/table_05.一级市场销售总额)
    table_06=pd.DataFrame(a,index=table_05.columns)
    table_06.T
    

    将上面得到的二级市场占比,进行可视化分析,得到如下图所示的各杀虫剂销售总额占比。

    从结果可以看到:

    • 灭鼠杀虫剂市场一直以来占领一级市场一级市场60%以上的市场份额。

    • 其次是蚊香液产品,占据20%以上份额。

    二级市场增量分析

    将各个杀虫剂每年年销售总额做差分并除以上一年年销售总额得到年增幅。

    incre_01=(table_05.iloc[1,:]-table_05.iloc[0,:])/table_05.iloc[0,:]
    incre_02=(table_05.iloc[2,:]-table_05.iloc[1,:])/table_05.iloc[1,:]
    incre=pd.DataFrame([incre_01,incre_02],index=['16-17年增幅',"17-18年增幅"])
    incre
    

    将上述得到的数据进行可视化。

    由上面分析得到如下几点:

    • 一级市场容量的增幅确实是在放缓,放缓幅度较大。

    • 二级市场容量有所放缓,幅度较小。

    竞争分析

    本节使用行业排名top100品牌数据,包括品牌、行业排名、交易指数、交易增长幅度、支付宝转化指数等几个重要字段。

    brand=pd.read_excel('./baier/电商案例数据/top100品牌数据.xlsx')
    brand.head()
    

    这里我们只需要品牌和交易指数两个字段。

    brand=brand[['品牌','交易指数']]
    brand.set_index('品牌',drop=True,inplace=True)
    brand.head()
    

    并将行业排名TOP10的品牌绘制饼图,查看各个品牌市场占比情况。

    微观市场-竞争分析

    mm=pd.read_excel('./baier/电商案例数据/灭鼠杀虫剂细分市场/螨.xlsx')
    ms=pd.read_excel('./baier/电商案例数据/灭鼠杀虫剂细分市场/灭鼠.xlsx')
    sc=pd.read_excel('./baier/电商案例数据/灭鼠杀虫剂细分市场/杀虫.xlsx')
    sz=pd.read_excel('./baier/电商案例数据/灭鼠杀虫剂细分市场/虱子.xlsx')
    zl=pd.read_excel('./baier/电商案例数据/灭鼠杀虫剂细分市场/蟑螂.xlsx')
    
    t_01=sz[["类别","预估销售额"]]
    t_02=zl[["类别","预估销售额"]]
    t_03=mm[["类别","预估销售额"]]
    t_04=ms[["类别","预估销售额"]]
    t_05=sc[["类别","预估销售额"]]
    

    微观市场容量分析

    将灭鼠杀虫剂细分市场各个类别数据进行合并,并按照类别聚类,对预估销售额进行求和。得到如下图所示的各杀虫剂类别--预估销售总额条形图。

    t = pd.concat([t_01,t_02,t_03,t_04,t_05])
    t.set_index('类别',drop=True,inplace=True)
    (t.groupby('类别').sum()).plot(kind='barh',
                                 color=cmap[1],ax=ax)
    

    从条形图中可以获得不少有价值的信息:

    • 在二级市场内,灭鼠产品的预估销售额是最大。

    • 其次是才是灭蟑产品,目前拜耳的在驱虫剂市场的产品主要集中在灭蟑和杀虫。

    • 可以考虑灭鼠和除螨的产品线。

    三级市场占比分析

    将各个类别的产品除以总销售额,得到每个产品的销售额占比情况,并绘制横向条形图。

    t.groupby('类别').sum().sum(axis=0)
    t = pd.concat([t_01,t_02,t_03,t_04,t_05])
    (t.groupby('类别').sum()/t.groupby('类别').sum().sum(axis=0)
    ).plot(kind='barh',color=cmap[1],ax=ax)
    

    从结果可以看到:

    • 拜耳主营业务市场,灭鼠和灭蟑产品占市场份额60%左右。

    如果要介入灭鼠产品,以较低价引流产品为主,要以什么价格区间的灭鼠产品比较合适。

    引流产品价格定位

    通过对数据表进行描述性统计,得到每个价格区间预告销售额大小。

    ms_02 = ms.loc[:,['类别','宝贝ID','售价','预估销售额']]
    ms_02.describe()
    

    价格数据离散化,设置0,50,100,150,200,250,300七个切割点,将售价切分为六个价格区间。

    bins_01 = [0,50,100,150,200,250,300]
    labels = ['0-50','50-100','100-150','150-200','200-250','250-300']
    ms_02['价格区间']=pd.cut(ms_02['售价'],bins=bins_01,labels=labels)
    ms_02.head()
    

    以价格区间聚合,对预估销售额进行求和,得到如下结果。可以明显看到,价格区间在0-50时,预估销售总额是最高的,且是排名第二的50-100价格区间总预估销售额的近5倍。

    ms_02.groupby('价格区间')['预估销售额'].sum().sort_values(ascending=False)
    
    价格区间
    0-50      15162086.51
    50-100     3335060.19
    100-150    2758086.29
    200-250    2743758.00
    150-200     629813.00
    250-300     237740.00
    Name: 预估销售额, dtype: float64
    

    如果拜耳想介入灭鼠产品,引流产品定位在0-50之间合适,但是哪个细分区间比较合理?

    细化价格区间,将0-50价格区间继续以0,10,20,30,40,50即每10元为一个区间,划分产品售价,得到如下结果。

    bins_02=[0,10,20,30,40,50]
    labels_02=["0-10","10-20","20-30","30-40","40-50"]
    ms_02['价格区间']=pd.cut(ms_02['售价'],bins=bins_02,labels=labels_02)
    ms_02.head()
    

    同样聚合求和并排序,得到如下结果,其中10-20及20-30价格区间总预告销售额相对较高。

    ms_02.groupby('价格区间')['预估销售额'].sum().sort_values(ascending=False)
    
    价格区间
    10-20   8102634.14
    20-30   4969620.92
    30-40   1240874.19
    40-50    707568.49
    0-10     141388.77
    Name: 预估销售额, dtype: float64
    

    如果想做0-50块之间灭鼠引流产品,10-30元以内比较合适,市场比较受欢迎,不容易亏损。

    竞争分析

    谁是我们的竞争对手?他们的策略是什么?和他们相比我们的优势和劣势在哪儿?这些是我们必须经常面对的问题,竞争对手无处不在。作为一名数据分析师,我们又要如何帮助公司制定竞争策略?不能正确识别自己的竞争对手会造成各种被动,既浪费资源,还浪费宝贵的发展时机。

    本次竞争分析将从两个方面着手,一是销售竞争分析,其中包括拜耳、科凌虫控和安速家居销售分析。二是产品结构分析,这一部分将在本次案例分析下篇中继续展开,本篇不涉及。

    销售分析

    本次使用的数据是竞争数据中商品销售数据内的三家公司近30天销售数据。

    安速家居 =pd.read_excel('./baier/电商案例数据/竞争数据/商品销售数据/安速家居近30天销售数据.xlsx')
    科凌虫控 =pd.read_excel('./baier/电商案例数据/竞争数据/商品销售数据/科凌虫控旗舰店近30天销售数据.xlsx')
    

    拜耳销售分析

    查看下本次数据都包含哪些字段。

    拜耳 = pd.read_excel('./baier/电商案例数据/拜耳店铺数据/拜耳近30天销售数据.xlsx')
    拜耳.info()
    
    <class 'pandas.core.frame.DataFrame'>
    RangeIndex: 15 entries, 0 to 14
    Data columns (total 16 columns):
     #   Column  Non-Null Count  Dtype  
    ---  ------  --------------  -----  
     0   序号      15 non-null     int64  
     1   店铺名称    15 non-null     object 
     2   商品名称    15 non-null     object 
     3   商品ID    15 non-null     int64  
     4   主图链接    15 non-null     object 
     5   商品链接    15 non-null     object 
     6   商品原价    15 non-null     float64
     7   商品售价    15 non-null     float64
     8   30天销售量  15 non-null     int64  
     9   总销量     15 non-null     int64  
     10  类目      15 non-null     object 
     11  物理形态    11 non-null     object 
     12  型号      15 non-null     object 
     13  净含量     13 non-null     object 
     14  使用对象    15 non-null     object 
     15  销售额     15 non-null     float64
    dtypes: float64(3), int64(4), object(9)
    memory usage: 2.0+ KB
    

    使用切片截取本次分析所需要的字段信息。

    baier = 拜耳[["商品ID",'使用对象',"商品售价","30天销售量","销售额"]]
    baier.head()
    

    根据商品ID聚合,并对销售额求和,按照总销售额排序后绘制条形图如下所示。从结果中可以看出,爆款产品527604730327的销售额远远超过其他任何一个产品。

    cmap = [low_c,high_c]
    (baier.groupby('商品ID')['销售额'].sum().sort_values(ascending=False)
    ).plot(kind='barh',color=cmap[1],ax=ax)
    

    为了查看拜耳产品分不同使用对象的总销售额,对使用对象聚合并所有字段求和,其中主要看30天销售量销售额两个字段即可。其余两个字段聚合求和得到的结果并没有意义。

    baier.groupby('使用对象').sum().sort_values('销售额',ascending=False)
    

    从上面结果可以得到如下信息:

    • 灭蟑产品占拜耳的销售额最大的比重

    • 其次是灭蚁等

    科凌虫控销售分析

    接下来分析科凌虫控销售数据。其数据与拜耳销售数据字段相同,在这里就不做展示。

    同样切片截取需要的字段来分析。并以商品ID聚合,对其他字段求和,得到每种商品的销售数据。

    keling = 科凌虫控[["商品ID",'适用对象',"商品售价","30天销售量","30天销售额"]]
    keling.groupby('商品ID').sum().sort_values('30天销售额',ascending=False)
    

    同样统计各个使用对象30天内销售总量及总额数据。

    keling.groupby('适用对象')['30天销售量','30天销售额'].sum().sort_values('30天销售额',ascending=False)
    

    得到如下主要信息。

    • 热门产品(灭蟑)销售额与拜耳的差距不大

    • 科凌的产品类目覆盖了二级市场里面主要的类目

    安速家居销售分析

    按照上面拜耳及科凌虫控销售数据分析方法,同样用以分析安速家居销售分析数据。

    ansu = 安速家居[["商品ID",'适用对象',"商品售价","30天销售量","30天销售额"]]
    ansu.head()
    
    ansu.groupby('商品ID')['30天销售量','30天销售额'].sum().sort_values('30天销售额',ascending=False)
    
    ansu.groupby('适用对象')['30天销售量','30天销售额'].sum().sort_values('30天销售额',ascending=False)
    

    得到如下主要信息。

    • 热销产品的销售额不及拜耳与科凌

    • 安速的产品类目广,基本覆盖了拜耳和科凌主营产品类目

    • 拜耳热销产品主要集中在灭蟑,主要竞争对手(科凌、安速)在主营业务上构成竞争

    • 主要竞争对手的产品多样化比拜耳做的更好

    • 拜耳灭蟑产品只要竞争对手科凌,杀虫灭蚁产品主要挑战来源于安速

    写在最后

    到目前为止,本次案例算是完成了分析任务的一般。从刚开始介绍了一些简单的电商案例分析基础知识,并从宏观市场及微观市场分析几家电商的销售数据。其中微观市场分析并未结束,将在接下来的下篇中分享给到大家。其主要内容包括如下:

    参考资料

    [1] 

    电商数据分析指标: https://zhuanlan.zhihu.com/p/50754573

    点分享

    点收藏

    点点赞

    点在看

    展开全文
  • import pandas as pd#读取文件data= pd.read_csv('./dataset.csv')########################### 查看数据概览 ###########################data.head()# data.info()# data.shape# #非空统计# data.count()# data.is...
  • 纽约社区商业数据分析实战,贯穿数据获取,数据清晰,数据分析,数据可视化等全过程,代码用python完成
  • 前些天有个朋友向我求救,他们公司最近要针对餐饮行业做数据分析,并为某些...“于是我花了点时间用Python帮他做了一个基于线上商家评价的数据分析演示。本章知识点:商家评价数据源的获取pyecharts 柱状图数据分析...
  • 作为供应链行业领航企业,怡亚通推动供应链改变中国,不仅是以先进的供应链思维与管理推动中国主要核心城市的商业快速发展,也是以完善的供应链服务布局、开放的新流通平台助力中国1-6线城市以及乡镇的流通业进步,...
  • 学习如何在 Python(一种免费的开源软件)中实现各种流行的数据挖掘算法,以解决业务问题和机遇。涵盖用于预测、分类、可视化、降维、推荐系统、聚类、文本挖掘和网络分析的统计和机器学习算法。 内容 数据挖掘介绍 ...
  • 提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录前言一、pandas是什么?...示例: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。 二、使用步骤 1.引入库 代码
  • 原标题:Python数据分析案例—用户识别欢迎关注天善智能 hellobi.com,我们是专注于商业智能BI,大数据,数据分析领域的垂直社区,学习、问答、求职,一站式搞定!对商业智能BI、大数据分析挖掘、机器学习,python,...
  • 视觉展现、概率分布和数据建模、抽样与估计以及统计推断,预测模型、回归和预测技巧、仿真和风险分析
  • │├─1.1商业数据分析引入.mp4 │├─1.2什么是商业数据分析?.mp4 │├─1.3所需技能.mp4 │├─1.4基本分析流程及供应链各个环节.mp4 │├─1.5商业理解.mp4 │├─1.6答疑(一).mp4 │├─1.7数据粒度(一)....
  • 告别枯燥,通过学习有趣的小案例,扎实而系统的入门 Python数据分析、机器学习,从菜鸟到大师,个人觉得这是很靠谱的一种方法。通过一个又一个的案例,真正领悟 Python 的强大和简洁...
  • 本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。 以下文章来源于云+社区,作者 算法与编程之美 转载地址 ... ...在日益发展的社会,人们每天...
  • 1) yelp: 基于YELP数据集的商业数据分析 2) us_counties: 2020年美国新冠肺炎疫情数据分析 3) ECommerce: 基于零售交易数据的Spark数据处理与分析 4) earthquake: 基于地震数据的Spark数据处理与分析 5) global...
  • 本课程是《Python金融大数据挖掘与分析》系列课的第3版块,主要介绍Python数据分析基础以及相关的一些商业案例实战,主要将介绍数据分析的武器Numpy & Pandas库(重点是Pandas库),并将介绍如何通过pandas库...
  • Tableau:商业数据分析与可视化 - 文件夹|- Python & Tabeau课程资料 - 文件夹|- 1116实战案例:深度学习Tensorflow-产品算法.mp4 - 202.60 MB|- 1116实战案例:零售商销售&库存预测.mp4 - 210.60 MB|- 1109...
  • Excel 的数据分析功能中提供了数据抽样的功能,如下图所示。Python 通过 sample 函数完成数据采样。 2、数据抽样 Sample 是进行数据采样的函数,设置 n 的数量就可以了。函数自动返回参与的结果。 1#简单的数据采样 ...
  • 原标题:Python数据分析 I 全国旅游景点分析案例,哪里好玩一目了然前言文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。作者: 刘亦菲的老公 ...
  • 1、大数据分析框架结构 2、数据、信息与数据分析 数据:是指对客观事件进行记录并可以鉴别的符号,是对客观事物的性质、状态以及相互关系等进行记载的物理符号或这些物理符号的组合。它是可识别的、抽象的符号。 ...
  • 1 前言 今天,StrongerTang 给...《利用Python进行数据分析》由Python pandas项目的创建者Wes McKinney撰写,针对Python 3.6进行了更新,包含实用案例研究,向您展示如何有效地解决大量数据分析问题。 《利用Pytho...
  • 我们团队每周开会讨论问题的时候,都会对每天的增长数据进行复盘。期间,领导常常会提及「数据思维」这个词。这就涉及到,你必须要有思维能力,去支撑你在看到数据时,会从多维度去分析,而不是只看到表...
  • 本课程是《Python金融大数据挖掘与分析》系列课的第6版块,主要通过讲解多个金融数据分析商业案例实战,来更加深入地了解在金融分析领域,如何通过Python实现智能的数据分析,我们将首先讲解数据可视化的技巧,...
  • 目录第1章 Python商业数据可视化概述 / 11.1 商业数据可视化概述21.1.1 商业数据可视化的挑战及其难点21.1.2 3种商业数据可视化思维41.1.3 6种商业数据可视化技巧61.2 Python可视化开发环境91.2.1 Spyder101.2.2 ...
  • python数据分析:客户价值分析案例实战

    万次阅读 多人点赞 2018-08-24 10:58:54
    简介:本案例以电信运营商客户信息为数据,通过层次聚类和K-means聚类,对用户划分成不同的群体,然后可以根据用户群体的不同特征提供个性化的策略,从而达到提高ARPU的效果。 1.商业理解 根据客户的日常消费...
  • Python数据分析与挖掘实战》​ 在当今大数据驱动的时代,要想从事机器学习、人工智能、数据挖掘等前沿技术,离不开数据跟踪与分析,通过NumPy、Pandas等进行数据科学计算,通过Seaborn、Matplotlib等进行数据可视...
  • Python数据分析实战(1)数据分析概述

    千次阅读 多人点赞 2020-08-23 21:51:03
    成为数据分析师必须具备多种技能,利用好Python等工具。Python有多个版本;根据不同系统安装;需要添加环境变量;需要安装pip;可以选择PyCharm开发。Anaconda是科学计算工具;安装后会附带很多工具;conda是包管理...
  • ——————————————————————前 言为什么要写这本书读者对象如何阅读本书勘误和支持致谢第1章 Python数据化运营1.1 用Python数据化运营1.1.1 Python是什么1.1.2 数据化运营是什么1.1.3 Python...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 21,993
精华内容 8,797
关键字:

python商业数据分析案例

python 订阅