数据集简介

数据包括如下10类信息：
Clothing ID: 服装标签，数字信息
Age: 购买者年龄，数字信息
Title: 评论标题，文字信息
Review Text: 评论内容，文字信息
Rating: 产品评价（评分由低到高用0-5表示），数字信息
Recommended IND:是否推荐（0表示不推荐，1表示推荐），数字信息
Positive Feedback Count: 正面反馈数量（认为该评价有用），数字信息
Division Name: 产品分类名称，文字信息
Department Name: 服饰类别，文字信息
Class Name: 服饰类型，文字信息
Division Name包括General、General Petite和Initmates。前两者指服饰的大小，General指正常大小，General Petite指为身材娇小的女性提供的服饰，Initmates则指私人贴身服饰。Department Name包括Tops（上装）、Bottoms（下装）等区分。Class Name则是更加细致的划分。

分析主题

1、女性顾客中哪个年龄段人群是网购主力军
2、不同年龄顾客对应哪类服装
3、各类服装评价分数如何？
4、各类服装推荐情况
4、产品评价分数与是否推荐相关吗？

读取数据

#加载包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

#利用pandas导入数据
clothing_df = pd.read_csv(r"C:\Users\谭小洵\Desktop\women shopping datebase\Womens Clothing E-Commerce Reviews.csv", index_col=0)

#查看数据开头
clothing_df.head()

数据预处理

#查看缺失值,打印表格每一列信息
clothing_df.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 23486 entries, 0 to 23485
Data columns (total 10 columns):
 #   Column                   Non-Null Count  Dtype 
---  ------                   --------------  ----- 
 0   Clothing ID              23486 non-null  int64 
 1   Age                      23486 non-null  int64 
 2   Title                    19676 non-null  object
 3   Review Text              22641 non-null  object
 4   Rating                   23486 non-null  int64 
 5   Recommended IND          23486 non-null  int64 
 6   Positive Feedback Count  23486 non-null  int64 
 7   Division Name            23472 non-null  object
 8   Department Name          23472 non-null  object
 9   Class Name               23472 non-null  object
dtypes: int64(5), object(5)
memory usage: 2.0+ MB

#方法2查看缺失值
clothing_df.isnull().sum()

Clothing ID                   0
Age                           0
Title                      3810
Review Text                 845
Rating                        0
Recommended IND               0
Positive Feedback Count       0
Division Name                14
Department Name              14
Class Name                   14
dtype: int64

#去掉丢失值对应的行，Division Nmae, Department Name, Class Name
clothing_df.dropna(axis=0, subset=['Division Name', 'Department Name', 'Class Name'],inplace=True)

pd.isnull(clothing_df).sum()

Clothing ID                   0
Age                           0
Title                      3809
Review Text                 844
Rating                        0
Recommended IND               0
Positive Feedback Count       0
Division Name                 0
Department Name               0
Class Name                    0
dtype: int64

#将所有的缺失值替换为字符串NULL
clothing_df.fillna('NULL',inplace=True)
clothing_df.isnull().sum()

Clothing ID                0
Age                        0
Title                      0
Review Text                0
Rating                     0
Recommended IND            0
Positive Feedback Count    0
Division Name              0
Department Name            0
Class Name                 0
dtype: int64

clothing_df.describe()

在describe的结果中，年龄的均值和中位数41.00的差距不大，所以年龄分布基本符合正态分布；Rating的中位数是5.00，所以大部分消费者都给与5分（最高分）评价；Recommended IND的分位数显示该值大部分为1，所以给予推荐评价的消费者居多；Positive Feedback Count中最大值高达122，最小值为0，中位数为1，因此消费者通常不会去评价他人的反馈信息。

#查看年龄分布
clothing_df['Age'].plot(kind='hist',bins=10)

<AxesSubplot:ylabel='Frequency'>

np.unique(clothing_df.Age[clothing_df.Age>=80],return_counts=True)

(array([80, 81, 82, 83, 84, 85, 86, 87, 89, 90, 91, 92, 93, 94, 99],
       dtype=int64),
 array([10,  5, 13, 43,  6,  6,  2,  4,  5,  2,  5,  1,  2,  3,  2],
       dtype=int64))

数据集中包含年龄数据。根据上面中年龄数据，虽然数据中出现超过80岁的年龄数据，但是年龄分布图呈现正态分布，因此假定所有的年龄为真实年龄。

分析

1、哪个年龄段顾客是主力军

plt.rcParams['font.sans-serif'] = ['SimHei']#设置可以显示中文
plt.rcParams['axes.unicode_minus'] = False #正常显示负号

Age1 = pd.cut(clothing_df['Age'],bins=[0,18,28,38,48,58,100])
age_counts=pd.value_counts(Age1)
age_counts

(28, 38]     6941
(38, 48]     6902
(48, 58]     4114
(58, 100]    3099
(18, 28]     2412
(0, 18]         4
Name: Age, dtype: int64

plt.figure(figsize=(6,6),dpi=100)
labels=['28-38岁','38-48岁','48-58岁','58-100岁','18-28岁','0-18岁']
plt.pie(age_counts,autopct='%1.1f%%',labels=labels)
plt.show

<function matplotlib.pyplot.show(close=None, block=None)>

28-48岁人群占比达59%，为网购主力军
2、不同年龄顾客对应哪类服装

#根据Division Name划分
clothing_df.query('0 < Age & Age <= 18').groupby('Division Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

clothing_df.query('18 < Age & Age <= 28').groupby('Division Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

clothing_df.query('28 < Age & Age <= 38').groupby('Division Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

clothing_df.query('38 < Age & Age <= 48').groupby('Division Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

clothing_df.query('48 < Age & Age <= 58').groupby('Division Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

clothing_df.query('58 < Age & Age <= 100').groupby('Division Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

clothing_df.groupby('Division Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

超过18岁购物者中，均是尺寸为正常大小，稍小销量更高，可以考虑进货时多考虑这2种，三者比例大致为9：5：1。

#根据Department Name划分
clothing_df.query('0 < Age & Age <= 18').groupby('Department Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

clothing_df.query('18 < Age & Age <= 28').groupby('Department Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

clothing_df.query('18 < Age & Age <= 28').groupby('Department Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

clothing_df.query('28 < Age & Age <= 38').groupby('Department Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

clothing_df.query('38 < Age & Age <= 48').groupby('Department Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

clothing_df.query('38 < Age & Age <= 48').groupby('Department Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

clothing_df.query('48 < Age & Age <= 58').groupby('Department Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

clothing_df.query('58 < Age & Age <= 100').groupby('Department Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

clothing_df.groupby('Department Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

各个年龄段均已上衣，连衣裙，下装，贴身服饰为主。

#根据Class Name划分
clothing_df.query('0 < Age & Age <= 18').groupby('Class Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

clothing_df.query('18 < Age & Age <= 28').groupby('Class Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

clothing_df.query('28 < Age & Age <= 38').groupby('Class Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

clothing_df.query('38 < Age & Age <= 48').groupby('Class Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

clothing_df.query('48 < Age & Age <= 58').groupby('Class Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

clothing_df.query('58 < Age & Age <= 100').groupby('Class Name').agg( 销量 = ('Clothing ID','count')).sort_values(by='销量',ascending = False)

各个年龄段位于前三位销量均为连衣裙、针织衫、衬衫。
3、各类服装评价分数如何？

#根据Division Name划分
clothing_df.groupby('Division Name').agg( 评价分数 = ('Rating','mean')).sort_values(by='评价分数',ascending = False)

#根据Department Name划分
clothing_df.groupby('Department Name').agg( 评价分数 = ('Rating','mean')).sort_values(by='评价分数',ascending = False)

#根据Class Name划分
clothing_df.groupby('Class Name').agg( 评价分数 = ('Rating','mean')).sort_values(by='评价分数',ascending = False)

评分分为1-5分，整体上均有4分，可以说产品整体而言均不错。
4、各类服装推荐情况

#根据Division Name划分
clothing_df.groupby('Division Name').agg( 推荐分数 = ('Recommended IND','mean')).sort_values(by='推荐分数',ascending = False)

#根据Department Name划分
clothing_df.groupby('Department Name').agg( 推荐分数 = ('Recommended IND','mean')).sort_values(by='推荐分数',ascending = False)

#根据Class Name划分
clothing_df.groupby('Class Name').agg( 推荐分数 = ('Recommended IND','mean')).sort_values(by='推荐分数',ascending = False)

clothing_df.groupby('Class Name').agg( 销量合计 = ('Clothing ID','sum')).sort_values(by='销量合计',ascending = False)

各类服装评分整体约为0.8，也就是说每卖出一件商品大约有80%的概率会认为它值得推荐，产品选品还是不错的。
5、相关性矩阵

df1 = clothing_df.copy()
df1.head()

df2 = df1.corr(method='pearson')
df2

import matplotlib as mpl
import seaborn as sns

plt.figure(figsize=(10,6),dpi=100)
sns.heatmap(df2,xticklabels=df2.columns,yticklabels=df2.columns,cmap='RdBu',center=-1,annot=True)
plt.title('购物反馈相关性矩阵',fontsize=22)
plt.xticks(fontsize=12, rotation=45, horizontalalignment='right')
plt.yticks(fontsize=12)

(array([0.5, 1.5, 2.5, 3.5, 4.5]),
 [Text(0, 0.5, 'Clothing ID'),
  Text(0, 1.5, 'Age'),
  Text(0, 2.5, 'Rating'),
  Text(0, 3.5, 'Recommended IND'),
  Text(0, 4.5, 'Positive Feedback Count')])

图中可以看出Rating（产品评价）和Recommended IND（是否推荐）相关性较高，可多加关注这两个指标，有利于自家产品通过消费者自发传播。

总结

1、女性网购主要集中在28-48岁。
2、上衣，连衣裙，下装，贴身服饰可以多进货，三者比例可根据过往做个大致推断，尺寸则以正常大小及稍小为主，连衣裙、针织衫、衬衫购买者较多。
3、产品选品整体不错。
4、产品评价和是否推荐相关性较高。