开篇

作为万金油式的胶水语言，Python几乎无所不能，在数据科学领域的作用更是不可取代。数据分析硬实力中，Python是一个非常值得投入学习的工具。

这其中，数据分析师用得最多的模块非Pandas莫属，如果你已经在接触它了，不妨一起来通过完整的数据分析流程，探索Pandas是如何解决业务问题的。

数据背景

为了能尽量多地使用不同的Pandas函数，我设计了一个古古怪怪但是实际中又很真实的数据，说白了就是比较多不规范的地方，等着我们去清洗。

数据源是改编自一家超市的订单，文末附文件路径。

导入所需模块

import pandas as pd

数据导入

Pandas提供了丰富的数据IO接口，其中最常用的是pd.read_excel及pd.read_csv函数。

data = pd.read_excel('文件路径.xlsx',
                    sheet_name='分页名称')
data = pd.read_csv('文件路径.csv')

从超市数据集中把多页数据分别导入：

orders = pd.read_excel('超市数据集.xlsx', 
                       sheet_name= '订单表')
customers = pd.read_excel('超市数据集.xlsx', 
                       sheet_name= '客户表')
products = pd.read_excel('超市数据集.xlsx', 
                       sheet_name= '产品表')

该环节除了导入数据外，还需要对数据有初步的认识，明确有哪些字段，及其定义

这里我们通过 pd.Series.head() 来查看每个数据表格的字段及示例数据

明确业务问题及分析思路

在业务分析实战中，在开始分析之前，需要先明确分析目标，倒推分析方法、分析指标，再倒推出所需数据。

这就是「以终为始」的落地思维。

假设业务需求是通过用户分层运营、形成差异化用户运营策略。数据分析师评估后认为可基于RFM用户价值模型对顾客进行分群，并通过不同族群画像特征制定运营策略，比如重要价值用户属于金字塔顶端人群，需要提供高成本、价值感的会员服务；而一般价值用户属于价格敏感型的忠诚顾客，需要通过折扣刺激消费等。

因此，这里的分析方法则是对存量用户进行RFM模型分群，并通过统计各族群数据特征，为业务提供策略建议。

明确业务需求及分析方法后，我们才能确定去统计顾客的R、F、M、以及用于画像分析的客单价等指标，此时才能进入下一步。

特征工程与数据清洗

数据科学中有句话叫 "Garbage In, Garbage Out"，意思是说如果用于分析的数据质量差、存在许多错误，那么即使分析的模型方法再缜密复杂，都不能变出花来，结果仍是不可用的。

所以也就有了数据科家中80%的工作都是在做数据预处理工作的说法。

特征工程主要应用在机器学习算法模型过程，是为使模型效果最佳而进行的系统工程，包括数据预处理(Data PrePorcessing)、特征提取(Feature Extraction)、特征选择(Feature Selection)以及特征构造(Feature Construction)等问题。

直白地说，可以分成两部分：

• 数据预处理，可以理解成我们常说的数据清洗；
• 特征构造，比如此次构建RFM模型及分组用户画像中，R、F、M、客单价等标签就是其对应的特征。

（当然，RFM非机器学习模型，这里是为了便于理解进行的解释。）

数据清洗

什么是数据清洗？ 数据清洗是指找出数据中的「异常值」并「处理」它们，使数据应用层面的结论更贴近真实业务。

异常值：

• 不规范的数据，如空值、重复数据、无用字段等，需要注意是否存在不合理的值，比如订单数据中存在内部测试订单、有超过200岁年龄的顾客等
• 特别注意数据格式是否合理，否则会影响表格合并报错、聚合统计报错等问题
• 不符合业务分析场景的数据，比如要分析2019-2021年的用户行为，则在此时间段之外的行为都不应该被纳入分析

如何处理：

• 一般情况下，对于异常值，直接剔除即可
• 但对于数据相对不多，或该特征比较重要的情况下，异常值可以通过用平均值替代等更丰富的方式处理

在了解数据清洗的含义后，我们便可以开始用Pandas来实操该部分内容。

数据类型

先用pd.dtypes来检查数据字段是否合理

发现订单日期、数量是Object（一般即是字符）类型，后面无法用它们进行运算，需要通过pd.Series.astype()或pd.Series.apply()方法来修改字符类型

orders['订单日期'] = orders['订单日期'].astype('datetime64')
orders['数量'] = orders['数量'].apply(int)

另外，对时间类型的处理也可以通过pd.to_datetime进行：

orders['订单日期'] = pd.to_datetime(orders['订单日期'])

修改字段名

经验丰富的数据分析师发现字段名字也有问题，订单 Id存在空格不便于后面的引用，需要通过pd.rename()来修改字段名

orders = orders.rename(columns={'订单 Id':'订单ID',
                                '客户 Id':'客户ID',
                                '产品 Id':'产品ID'})
customers = customers.rename(columns={'客户 Id':'客户ID'})

多表连接

把字段名以及数据类型处理好后，就可以用pd.merge将多个表格进行连接。

表连接中的on有两种方式，一种是两个表用于连接的字段名是相同的，直接用on即可，如果是不相同，则要用left_on, right_on进行。

data = orders.merge(customers, on='客户ID', how='left')
data = data.merge(products, how='left', 
                  left_on='产品ID', right_on='物料号')

剔除多余字段

对于第二种情况，得到的表就会存在两列相同含义但名字不同的字段，需要用pd.drop剔除多余字段。此外，“行 Id”在这里属于无用字段，一并剔除掉。

data.drop(['物料号','行 Id'],axis=1,
                            inplace=True)

调整后得到的表结构：

文本处理——剔除不符合业务场景数据

根据业务经验，订单表中可能会存在一些内部测试用的数据，它们会对分析结论产生影响，需要把它们找出来剔除。与业务或运维沟通后，明确测试订单的标识是在“产品名称”列中带“测试”的字样。

因为是文本内容，需要通过pd.Series.str.contains把它们找到并剔除

data = data[~data['产品名称'].str.contains('测试')]

时间处理——剔除非分析范围数据

影响消费者的因素具有时间窗口递减的特性，例如你10年前买了顶可可爱爱的帽子，不代表你今天还需要可可爱爱风格的产品，因为10年时间足以让你发生许多改变；但是如果你10天以前才买了田园风的裙子，那么就可以相信你现在还会喜欢田园风产品，因为你偏好的风格在短期内不会有太大改变。

也就是说，在用户行为分析中，行为数据具有一定时效，因此需要结合业务场景明确时间范围后，再用pd.Series.between()来筛选近符合时间范围的订单数据进行RFM建模分析。

data= data[data['订单日期'].between('2019-01-01','2021-08-13')]

特征构造

此环节目的在于构造分析模型，也就是RFM模型及分群画像分析所需的特征字段。

数据聚合——顾客消费特征

首先，是RFM模型中顾客的消费特征：

• R：客户最近一次购买离分析日期 (设为2021-08-14)的距离，用以判断购买用户活跃状态
• F：客户消费频次
• M：客户消费金额

这些都是一段时间内消费数据的聚合，所以可以用pd.groupby().agg()实现

consume_df = data.groupby('客户ID').agg(累计消费金额=('销售额',sum), 
                         累计消费件数=('数量',sum),
                         累计消费次数=('订单日期', pd.Series.nunique), 
                         最近消费日期=('订单日期',max)
                        )

其中，R值比较特殊，需要借用datetime模块，计算日期之间的距离

from datetime import datetime
consume_df['休眠天数'] = datetime(2021,8,14) - consume_df['最近消费日期']
consume_df['休眠天数'] = consume_df['休眠天数'].map(lambda x:x.days)

计算所得顾客累计消费数据统计表：

分箱处理——客单价区间划分

根据前面分析思路所述，完成RFM模型用户分群后，还要统计各族群用户消费画像，这里因篇幅限制仅统计各族群客单价分布特征。

此时，计算完客单价数据后，需要用pd.cut对客单价进行分箱操作，形成价格区间。

consume_df['客单价'] = consume_df['累计消费金额']/consume_df['累计消费次数']
consume_df['客单价区间']  = pd.cut(consume_df['客单价'],bins=5)

通过pd.Series.value_counts方法统计客单价区间分布情况：

pd.cut中的bins参数为将客单价划分的区间数，填入5，则平均分为5档。当然，还是那句话，这个在实操中需要与业务明确，或结合业务场景确定。

RFM建模

完成数据清洗及特征构造后，就进入到建模分析环节。

Tukey's Test 离群值检测

根据分析经验，离群值会极大地对统计指标造成影响，产生较大误差，例如把马云放到你们班里，计算得出班级平均资产上百亿。在这里，马云就是离群值，要把它剔除出去。

所以，在开始对RFM阈值进行计算之前，有必要先对R、F、M的值进行离群值检测。

这里我们用Turkey's Test 方法，简单来说就是通过分位数之间的运算形成数值区间，将在此区间之外的数据标记为离群值。不清楚的同学可以知乎搜一下，这里不展开讲。

Turkey's Test方法依赖分位数的计算，在Pandas，通过pd.Series.quantile计算分位数

def turkeys_test(fea):
    Q3 = consume_df[fea].quantile(0.75)
    Q1 = consume_df[fea].quantile(0.25)
    max_ = Q3+1.5*(Q3-Q1)
    min_ = Q1-1.5*(Q3-Q1)
    
    if min_<0:
        min_ =0
    
    return max_, min_

以上代码实现了Tukey's Test函数，其中Q3就是75分位、Q1就是25分位。而min_ 和 max_则形成合理值区间，在此区间之外的数据，不论太高还是太低还是离群值。

注意，在这里因为存在min_是负数的情况，而消费数据不可能是负数，所以补充了一个把转为0的操作。

接下来，给RFM特征数据表新增字段"是否异常"，默认值为0，然后再用Tukey's Test函数把异常数据标记为1，最后只需保留值为0的数据即可。

consume_df['是否异常'] = 0

for fea in rfm_features:
    max_, min_= turkeys_test(fea)
    outlet = consume_df[fea].between(min_,max_)  #bool
    consume_df.loc[~outlet,'是否异常']=1
    
consume_df = consume_df[consume_df['是否异常']==0]

聚类与二八原则——RFM阈值计算

现在已经可以确保建模所用的特征是有效的，此时就需要计算各指标阈值，用于RFM建模。阈值的计算一般通过聚类算法进行，但这里不涉及机器学习算法。从本质上讲，聚类结果通常是符合二八原则的，也就是说重要客群应该只占20%，所以我们可以计算80分位数来近似作为RFM模型阈值。

M_threshold = consume_df['累计消费金额'].quantile(0.8)
F_threshold=consume_df['累计消费次数'].quantile(0.8)
R_threshold = consume_df['休眠天数'].quantile(0.2)

RFM模型计算

得到RFM阈值后，即可将顾客的RFM特征进行计算，超过阈值的则为1，低于阈值的则为0，其中R值计算逻辑相反，因为R值是休眠天数，数值越大反而代表越不活跃。

consume_df['R'] = consume_df['休眠天数'].map(lambda x:1 if x<R_threshold else 0)
consume_df['F'] = consume_df['累计消费次数'].map(lambda x:1 if x>F_threshold else 0)
consume_df['M'] = consume_df['累计消费金额'].map(lambda x:1 if x>M_threshold else 0)

对顾客RFM特征划分1和0，即高与低后，即可进行分群计算：

consume_df['RFM'] = consume_df['R'].apply(str)+'-' + consume_df['F'].apply(str)+'-'+ consume_df['M'].apply(str)

rfm_dict = {
    '1-1-1':'重要价值用户',
    '1-0-1':'重要发展用户',
    '0-1-1':'重要保持用户',
    '0-0-1':'重要挽留用户',
    '1-1-0':'一般价值用户',
    '1-0-0':'一般发展用户',
    '0-1-0':'一般保持用户',
    '0-0-0':'一般挽留用户'
}
consume_df['RFM人群'] = consume_df['RFM'].map(lambda x:rfm_dict[x])

至此，已完成RFM建模及用户分群计算。

分群画像

完成模型分群后，就要对各族群分别统计人数及客单价分布。

人数占比

最简单的一个画像分析，则是用pd.Series.value_counts对各族群进行人数统计，分析相对占比大小。

rfm_analysis = pd.DataFrame(consume_df['RFM人群'].value_counts()).rename(columns={'RFM人群':'人数'})
rfm_analysis['人群占比'] = (rfm_analysis['人数']/rfm_analysis['人数'].sum()).map(lambda x:'%.2f%%'%(x*100))

透视表

各族群客单价分布涉及多维度分析，可以通过Pandas透视功能pd.pivot_table实现

代码中，聚合函数aggfunc我用了pd.Series.nunique方法，是对值进行去重计数的意思，在这里就是对客户ID进行去重计数，统计各价位段的顾客数。

pd.pivot_table(consume_df.reset_index(),    # DataFrame
        values='客户ID',    # 值
        index='RFM人群',    # 分类汇总依据
        columns='客单价区间',    # 列
        aggfunc=pd.Series.nunique,    # 聚合函数
        fill_value=0,    # 对缺失值的填充
        margins=True,    # 是否启用总计行/列
        dropna=False,    # 删除缺失
        margins_name='All'   # 总计行/列的名称
       ).sort_values(by='All',ascending=False)

这样就得到了每个族群在不同价位段上的分布，配合其他维度的画像分析可以进一步形成营销策略。

逆透视表

最后，做个骚操作，就是透视后的表属于多维度表格，但我们要导入到PowerBI等工具进行可视化分析时，需要用pd.melt将它们逆透视成一维表。

pivot_table.melt(id_vars='RFM人群',
                 value_vars=['(124.359, 3871.2]', '(3871.2, 7599.4]',
                             '(7599.4, 11327.6]', '(11327.6, 15055.8]',
                             '(15055.8, 18784.0]']).sort_values(by=['RFM人群','variable'],ascending=False)

这样字段名为"人群"、"指标"、"值"的表格，可以一行就把信息呈现的表格就是一维表。而前面各族群人数统计中，需要一行一列来定位信息的就是二维表。

结尾

至此，我们已经通过Pandas建立了RFM模型及分组人群画像分析，完成了业务分析需求。

受限于篇幅，本文仅对数据分析过程中Pandas高频使用的函数方法进行了演示，同样重要的还有整个分析过程。如果其中对某些函数不熟悉，鼓励同学多利用知乎或搜索引擎补充学习。同时也欢迎加饼干哥哥微信讨论。

更多Pandas函数使用说明，可查询中文文档

本文算是数据分析流程的基础篇，计划会再整理一份进阶篇，涉及机器学习流程、以及更多特征工程内容，同样会以业务落地实战的方式进行介绍。