女士电子商务服装数据分析

@Author：By Runsen

电商数据分析，是一个数据信息收集很多的数据行业。对电商数据进行分析意味着有更大的可能向市场进军。

数据集摘要：女士电子商务服装数据分析

链接：https://www.kaggle.com/nicapotato/womens-ecommerce-clothing-reviews

一、简介

该数据集包括23486行和10个特征变量。每行对应一个客户评论，并包含以下变量：

• **服装ID：**整数分类变量，指的是要查看的特定作品。
• **年龄：**评论者年龄的正整数变量。
• **标题：**评论标题的字符串变量。
• 评论文本：评论正文的字符串变量。
• **评分：**客户授予的产品评分的正序整数变量，从1最差，到5最佳。
• **推荐的IND：**二进制变量，说明客户在推荐1的地方推荐产品，不推荐0的地方。
• **积极的反馈计数：**积极的整数，记录发现该评论为积极的其他客户的数量。
• **高级部门名称：**产品高级部门的分类名称。
• **部门名称：**产品部门名称的分类名称。
• **类名称：**产品类名称的分类名称。

中文名称	英文名称
服装ID	Clothing ID
年龄	Age
标题	Title
评论文本	Review Text
评分：	Rating
推荐的IND	Recommended IND
积极的反馈计数	Positive Feedback Count
高级部门名称	Division Name
部门名称	Department Name
类名称	Class Name

二、数据读取

1、数据处理环境

pandas：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。Pandas纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。

Matplotlib：Matplotlib就是Python绘图库中的佼佼者，它包含了大量的工具，你可以使用这些工具创建各种图形（包括散点图、折线图、直方图、饼图、雷达图等），Python科学计算社区也经常使用它来完成数据可视化的工作。

Seaborn：Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。

2、数据读取方法

pandas库支持csv和excel的操作；使用的是pd.read_csv的函数

导入numpy,seaborn``matplotlib和pandas读取Womens Clothing E-Commerce Reviews.csv

参数：index_col=0——第一列为index值

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
df = pd.read_csv("Womens Clothing E-Commerce Reviews.csv", index_col=0)

查看df.head

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Y13hVw56-1582445639702)(./image/1.png)]

查看df.info

从df.info可以存在缺失数据，只需要通过df.dropna()对缺失数据进行删除即可

df = df.dropna()
df.info()

查看df.describe

数据中的Rating,Recommended,INDPositive Feedback Count的std`标准差都比较小，说明数据分布程度上比较集中

三、 数据分析

1、哪个年龄组给出了哪些类型的评分？

绘制年龄柱状图

只需要简单通过plt.hist方法来画出相对用的柱状图

plt.hist(df['Age'], color="green", label = "Age")
plt.legend()
plt.xlabel("Age")
plt.ylabel("Count")
plt.title("Age Distribution in Data")

我们可以从图片看出：数据中的顾客大部分集中于30到50之间，属于成年人较多

绘制不同年龄的评价等级图

sns.boxplot是sns中的箱型图

plt.figure(figsize=(10,10))
sns.boxplot(x = 'Rating', y = 'Age', data = df)

在图中可以看出评分分布比较均匀

2、每个部门、推荐什么服装？

查看Division Name,Department Name和'Class Name的唯一值

print(df['Division Name'].unique())
print(df['Department Name'].unique())
print(df['Class Name'].unique())

将Recommended IND推荐产品为1，不推荐0的数据分开

rd = df[df['Recommended IND'] == 1] # recommended
nrd = df[df['Recommended IND'] == 0] # not recommended
rd.head()

下面绘制不同部门商品的推荐和不推荐叠加柱状图

plt.figure(figsize=(15,8))
plt.xticks(rotation=45)
plt.hist(rd['Department Name'], color="green", alpha = 0.5, label = "Recommended")
plt.hist(nrd['Department Name'], color="yellow", alpha = 0.5, label = "Not Recommended")
plt.legend()
plt.title("Recommended Items in each Department")

从图中看出：绿色的面积相对于黄色的面积大好几倍，说明大部分部门都可以推荐服装商品

下面绘制部门不同商品的推荐和不推荐叠加柱状图

plt.figure(figsize=(15,10))
plt.hist(rd['Class Name'], color="blue", alpha = 0.5, label = "Recommended")
plt.hist(nrd['Class Name'], color="cyan", alpha = 0.5, label = "Not Recommended")
plt.title("Recommended Items in each Class")
plt.xticks(rotation=45)
plt.legend()
plt.show()

从图中看出：并不是卖最多的Knits商品推荐成功率最大

3、哪个年龄段的人对什么样的衣服发表什么样的评论

df['Review Length'] = df['Review Text'].astype(str).apply(len)
df.head()

绘制单Review Length变量分布

单变量分布的最方便的方法是sns.distplot()功能。默认情况下，这将绘制直方图并拟合核密度估计（KDE）

fig = plt.figure(figsize=(15, 8))
ax = sns.distplot(df['Review Length'], color="blue")
ax = plt.title("Length of Reviews")

看出大部分人评论的长度都基本在500

绘制不同年龄段的人Review Length变量分布

plt.figure(figsize=(20,10))
sns.boxplot(x = 'Age', y = 'Review Length', data = df)

4、评分与正面反馈计数

plt.figure(figsize=(10,10))
sns.boxplot(x = 'Rating', y = 'Positive Feedback Count', data = df)

图中可以看出评分在3以上的正面反馈的计数大

四、词云评论可视化

词云是一种数据可视化技术，用于表示文本数据，其中每个单词的大小表示其出现的频率或重要性。可以使用词云突出显示重要的文本数据点。词云被广泛用于分析来自社交网络网站的数据。

1、清理数据

import re

def clean_data(text):
    letters_only = re.sub("[^a-zA-Z]", " ", text) 
    words = letters_only.lower().split()                            
    return( " ".join( words ))

2、加载停用词

from wordcloud import WordCloud, STOPWORDS
stopwords= set(STOPWORDS)|{'skirt', 'blouse','dress','sweater', 'shirt','bottom', 'pant', 'pants' 'jean', 'jeans','jacket', 'top', 'dresse'}

def create_cloud(rating):
    x= [i for i in rating]
    y= ' '.join(x)
    cloud = WordCloud(background_color='white',width=1600, height=800,max_words=100,stopwords= stopwords).generate(y)
    plt.figure(figsize=(15,7.5))
    plt.axis('off')
    plt.imshow(cloud)
    plt.show()

3、等级是5的词云

rating5= df[df['Rating']==5]['Review Text'].apply(clean_data)
create_cloud(rating5)

3、等级是4的词云

rating4= df[df['Rating']==4]['Review Text'].apply(clean_data)
create_cloud(rating4)

4、等级是3的词云

rating3= df[df['Rating']==3]['Review Text'].apply(clean_data)
create_cloud(rating3)

5、等级是2的词云

rating2= df[df['Rating']==2]['Review Text'].apply(clean_data)
create_cloud(rating2)

6、等级是1的词云

rating1= df[df['Rating']==1]['Review Text'].apply(clean_data)
create_cloud(rating1)

公众号