基于Python开发数据宽表实例

搭建宽表作用，就是为了让业务部门的数据分析人员，在日常工作可以直接提取所需指标，快速做出对应专题的数据分析。在实际工作中，数据量及数据源繁多，如果每个数据分析人员都从计算加工到出报告，除了工作效率巨慢也会导致服务器资源紧张。因此建设数据集市层，包含了该宽表层并在非工作时间做自动生成。

本文引用CDNow网站的一份用户购买CD明细数据，梳理业务需求，搭建一套数据宽表。

该CD数据包括用户ID，购买日期，购买数量，购买金额四个字段(此项目中用userid,datatime,products,amounts字段来表示）

业务逻辑参考文章：zhuanlan.zhihu.com/p/109767465

指标维度整理如下：

（实际业务场景中，由于获取的数据维度非常多，基础指标及衍生指标的加工最后有几千个指标都很正常，本次该数据集主要用于提出思路。另外，基于机器学习算法自动生成的衍生指标不在本次文章讨论范围，本次宽表指标主要是从业务角度出发，开发具备可解释性指标）



ps：指标名、统计口径、数据类型、小数位的统一非常重要

数据加载

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from datetime import datetime
%matplotlib inline

df = pd.read_table('CDNOW_master.txt',delim_whitespace=True,header=None,names=['userid','datetime','products','amounts'])
df['datetime'] = pd.to_datetime(df['datetime'],format='%Y%m%d')
#加入月维度
df['month'] = df['datetime'].values.astype('datetime64[M]')
df.head()

一、时间维度

①基础指标：销售额/销量/消费次数/消费人数，可用以支撑RMF模型

#每月的总销售额/销量/消费次数
df_m_total_1 = df.pivot_table(index='month',values=['amounts','userid','products',]
                              ,aggfunc={'amounts':'sum','userid':'count','products':'sum'})
#每月的消费人数
df_m_total_consume = pd.DataFrame(df.groupby('month')['userid'].nunique())
#合并
df_m_total = pd.merge(df_m_total_1, df_m_total_consume, on=['month'])
#修改列名
df_m_total.columns = ['m_total_amount','m_total_count','m_total_volumn','m_total_consume']

②活跃度指标：新用户/活跃用户/不活跃用户/回流用户

#每个用户每月的消费次数
pivoted_counts = df.pivot_table(index='userid',columns='month',values='datetime',aggfunc='count').fillna(0)
#1代表本月消费，0代表未消费
df_purchase = pivoted_counts.applymap(lambda x:1 if x>0 else 0) 

col = ['1997-01-01', '1997-02-01', '1997-03-01', '1997-04-01',
               '1997-05-01', '1997-06-01', '1997-07-01', '1997-08-01',
               '1997-09-01', '1997-10-01', '1997-11-01', '1997-12-01',
               '1998-01-01', '1998-02-01', '1998-03-01', '1998-04-01',
               '1998-05-01', '1998-06-01']

def active_status(data): #data是df_purchase的一行
    status=[]
    for i in range(18): #一共有18个月，判断每一个月的消费情况，也可以使用len(df_purchase.columns)
        #若本月没有消费
        if data[i]==0:
            if len(status)>0:#之前有记录
                if status[i-1]=='m_unreg': #一直没有注册，看作未注册用户
                    status.append('m_unreg') #未注册用户
                else:
                    status.append('m_unactive') #这个月没消费，之前消费过
            else:#之前没有记录
                status.append('m_unreg') #第一个月没有消费，未注册
        #若本月消费
        else:
            if len(status)==0:#之前没有记录
                status.append('m_new')  #第一次消费
            else:#之前有记录
                if status[i-1]=='m_unactive':
                    status.append('m_return') #前几个月不活跃，现在又消费了，回流
                elif status[i-1]=='m_unreg':
                    status.append('m_new')  #判断第一次消费
                else:
                    status.append('m_active')  #一直在消费
    return pd.Series(status,index = col)

pivoted_status = df_purchase.apply(active_status,axis = 1)
#用NaN替代m_unreg,以便后续计算不包含这些数据，未注册不考虑
purchase_stats_ct=pivoted_status.replace({'m_unreg':np.NaN}).apply(lambda x:x.value_counts())
#分层图
purchase_stats_ct.fillna(0).T.plot.area()
#每月活跃情况数量
df_active_level = purchase_stats_ct.T.fillna(0)
#每月活跃情况数量占比
df_active_level_por = pd.DataFrame(purchase_stats_ct.fillna(0).T.apply(lambda x:x/x.sum(),axis = 1))

③复购类指标：每月购买两次以上的客户数/购买一次的客户数

#购买两次以上标为1，一次为0，无购买记录为空
user_df2=pivoted_counts.applymap(lambda x : 1 if x > 1 else np.NaN if x == 0 else 0)
#汇总转置
user_df3 = user_df2.apply(lambda x:x.value_counts()).T
#修改列名
user_df3.columns=['m_buy_one','m_buy_mul']

④回购类指标：回购人数

#某一个时间窗口内消费的用户，在下一个时间窗口仍旧消费的占比。比如，
#我1月消费用户1000，他们中有400个2月依然消费，回购率是40%。

def purchase_return(data):
    status=[]
    for i in range(17):
        if data[i]==1:
            if data[i+1]==1:
                status.append(1)
            if data[i+1]==0:
                status.append(0)
        else:
            status.append(np.nan)
    status.append(np.nan)  #定义最后一个月的数据
    return pd.Series(status,index = col)

pivoted_purchase_return= df_purchase.apply(purchase_return,axis=1)
#占比图
(pivoted_purchase_return.sum() / pivoted_purchase_return.count()).plot(figsize=(10,4))

#复购人数加总
pivoted_purchase_return2 = pd.DataFrame(pivoted_purchase_return.apply(lambda x:x.sum()))
#修改列名
pivoted_purchase_return2.columns=['m_repurchase']

⑤指标合并

df_m_index = pd.merge(pd.merge(pd.merge(df_m_total,df_active_level_por,right_index=True,left_index=True)
                  ,user_df3,right_index=True,left_index=True),pivoted_purchase_return2,right_index=True,left_index=True)
df_m_index.head()

二、用户维度

消费总额/消费次数/消费量/首次消费时间/最近一次消费时间/消费间隔

df_user = df.pivot_table(index='userid',values=['datetime','products','amounts']
               ,aggfunc={'datetime':['max','min'],'products':['sum','count'],'amounts':'sum'})
df_user['gap'] = (df_user['datetime']['max']-df_user['datetime']['min'])/np.timedelta64(1,'D')

df_user.columns=['u_total_amount','u_datetime_max','u_datetime_min','u_total_count','u_total_volumn','u_datetime_gap']
df_user.head()

---

学习交流，有任何问题还请随时评论指出交流。