当前位置：首页 > news >正文

有了域名之后怎么做网站韩国seocaso

news 2025/8/5 9:35:59

有了域名之后怎么做网站,韩国seocaso,经济与政府网站建设,如何获取wordpress后台登入网址用户偏好分析 TGI 1.1 用户偏好分析介绍要分析的目标，在目标群体中的均值和全部群体里的均值进行比较， 差的越多说明目标群体偏好越明显 TGI（Target Group Index，目标群体指数）用于反映目标群体在特定研究范围内…

用户偏好分析 TGI

1.1 用户偏好分析介绍

要分析的目标，在目标群体中的均值和全部群体里的均值进行比较，差的越多说明目标群体偏好越明显

TGI（Target Group Index，目标群体指数）用于反映目标群体在特定研究范围内强势或者弱势的程度

案例的需求，高利润的产品投放市场，找到合适的城市进行投放，统计不同城市高客单价用户占比的TGI ，找到TGI比较大的城市，还需要考虑总用户数量不要过少

1.2 代码

import pandas as pd
df = pd.read_excel('data/PreferenceAnalysis.xlsx')
df.head()
df.info()
df.describe()

用户打标判断每个用户是否属于高客单价的人群


df['用户ID'].nunique() # 统计不重复的用户ID数量
# 计算每个用户平均消费金额
user_df = df.groupby(['用户ID'],as_index=False)['实付金额'].mean()
user_df.columns = ['用户ID','平均支付金额']
#%%
def if_high(x):if x>50:return '高客单价'else:return '低客单价'
user_df['用户类别'] = user_df['平均支付金额'].apply(if_high)
user_df

按城市统计，高客单价人群低客单价人群的数量

# 针对消费流水表， 去重， 用户ID 省份 城市 进行去重， 去重之后的数据，在与前面计算出来的用户标签进行关联
df_dup = df.drop_duplicates(subset=['用户ID','省份','城市'])

df_merge = pd.merge(user_df,df_dup,on='用户ID',how='left')
df_merge=df_merge[['用户ID', '平均支付金额', '用户类别','省份', '城市']]
df_merge.head()
#%%
df_result = df_merge.pivot_table(index=['省份','城市'],columns='用户类别',values='用户ID',aggfunc='count')
df_result.reset_index(inplace=True)

发现数据中有缺失值, 对缺失值进行处理

df_result.info()
#%%
#  分省份，城市 统计高客单价，低客单价用户数量的时候， 发现数据中有缺失值， 缺失的原因是某些城市没有这一类型的用户， 此时可以使用0来进行填充
df_result.fillna(0,inplace=True)
df_result.info()
#%%
df_result[df_result['低客单价']==0]

计算用户总数和高客单价占比

df_result['用户总数'] = df_result['低客单价']+df_result['高客单价']
df_result['高客单价占比'] = df_result['高客单价']/df_result['用户总数']

计算TGI target Group index 目标群体指数

df_result.info()
#%%
df_result['高客单价'].sum()/df_result['用户总数'].sum()
#%%
df_result['整体高客单价占比'] = df_result['高客单价'].sum()/df_result['用户总数'].sum()
#%%
df_result['TGI'] = df_result['高客单价占比']/df_result['整体高客单价占比'] *100

过滤掉用户数量太少的城市，给出结论

user_count_mean = df_result['用户总数'].mean()
df_result[df_result['用户总数']>user_count_mean].sort_values(by='TGI',ascending=False)

同期群分析

使用场景

电商场景：比较不同月份客群的留存情况，需要比较的是过了一个月（+1月）留存率，过了两个月（+2月）留存率....
金融信贷的场景：比较不同月份客群的违约情况, 需要比较的是过了一个月（+1月）违约率，过了两个月（+2月）违约率....
不能直接使用当前月份的数据直接做对比

使用同期群分析的时候，周期可以调整，指标可以换，可以把每一月份的数据按照其它维度进行拆解

比较客群留存情况把渠道考虑进来

案例: 计算了用户留存情况

每个月新增的用户, 当前有购买的用户ID - 之前月份也出现过的用户ID
留存使用复购来表示

评论文本分析

基本数据的处理

从评星中获取好评中评差评分类
从评价的时间中, 截取年月的数据
评论文本内容, 进行分词, 统计不同单词出现的次数(计算词频)
- 中文的评论, 分词是需要处理的部分, 可以使用 jieba这个库对中文进行分词
- 英文词形还原过程 given → give been → be 可以使用NLTK库
- 无论中文/英文都要处理的去停用词 stopwords 没有意义的连词,代词,介词
  - 英文 of the
  - 中文的地得 ...
  - 可以从网上下载停用词表
  - 统计词频的时候不统计停用词