最近更博客的频率基本是一周一更了，然后最近的博客也基本会是跟大家分享一些数据分析相关的案例（哈哈哈，就当练练“手感”了）。

目前我的博客也已经记录下了很多数据分析相关的案例，也基本都放在了我的数据分析专栏，学习数据分析的朋友可以多看看哦。

前言

分析背景

Airbnb在全球拥有广泛丰富的用户出行场景。自身在APP和网页端以及通过各种营销渠道会收集到非常全面的用户行为数据。通过这些数据，锁定潜在的目标客群并制定相应的营销策略是Airbnb发展的重要基石。

分析目标

根据用户数据及消费行为数据

• 使用Python对客户进行聚类分群，并给出用户画像
• 通过数据，分析用户群体的核心特征

1 数据概况分析

• id: 唯一的用户id
• date_account_created: 用户注册日期
• date_first_booking: 第一次订房日期
• gender: 性别
• age: 年龄
• Married: 已婚
• Children: 小孩数量
• android: 曾在Android客户端预订
• moweb: 曾在手机移动网页预订
• web: 曾在电脑网页预订
• ios: 曾在iOS端预订
• Language_EN: 使用英文语言
• Language_Zh: 使用中文语言
• Country_US: 目的地是美国
• Country_EUR: 目的地是欧洲国家

#导入模块和数据
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

airbnb = pd.read_csv('airbnb.csv')
airbnb.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 67936 entries, 0 to 67935
Data columns (total 14 columns):
 #   Column                Non-Null Count  Dtype 
---  ------                --------------  ----- 
 0   age                   67936 non-null  int64 
 1   date_account_created  67936 non-null  object
 2   date_first_booking    67936 non-null  object
 3   gender                67936 non-null  object
 4   Language_EN           67936 non-null  int64 
 5   Language_ZH           67936 non-null  int64 
 6   Country_US            67936 non-null  int64 
 7   Country_EUR           67936 non-null  int64 
 8   android               67936 non-null  int64 
 9   moweb                 67936 non-null  int64 
 10  web                   67936 non-null  int64 
 11  ios                   67936 non-null  int64 
 12  Married               67936 non-null  int64 
 13  Children              67936 non-null  int64 
dtypes: int64(11), object(3)
memory usage: 7.3+ MB

airbnb.head()

用户的个人信息：

• 发现日期变量：date_account_created, date_first_booking是object变量，需要调整
• 发现gender也是object变量，需要调整

2 单变量分析

2.1 数字型变量（age异常值的处理）

#查看数字型变量的核心指标
airbnb.describe()

age最大值为2014显然是异常的，故数据需要清理

#假定使用airbnb的目标客群为18 - 80岁
airbnb = airbnb[airbnb['age'] >= 18]
airbnb = airbnb[airbnb['age'] <= 80]

airbnb['age'].describe()

count    66473.000000
mean        36.040483
std         10.963735
min         18.000000
25%         28.000000
50%         33.000000
75%         41.000000
max         80.000000
Name: age, dtype: float64

airbnb['age'].value_counts()

30    3614
31    3522
32    3445
29    3404
28    3376
      ... 
76      32
77      29
78      22
79      22
80      18
Name: age, Length: 63, dtype: int64

• 用户年龄分布在18 - 80岁，平均年龄为36岁，中位数为33岁。其中28 - 32岁用户为消费主体
• 说明年龄大的用户居多，所以拉开了整体数据分布

2.2 类别型变量

2.2.1 date的调整

• 常见操作1：将用户注册的年份提取
• 常见操作2：计算从用户注册到现在的时间，更加有价值
  • 第一步：将注册日期转变为日期时间的格式
  • 第二步：将年份从众提取出来，即用2020-注册日期的年份

#将注册日期转变为日期时间的格式
airbnb['date_account_created'] = pd.to_datetime(airbnb['date_account_created'])

airbnb.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 66473 entries, 0 to 67935
Data columns (total 14 columns):
 #   Column                Non-Null Count  Dtype         
---  ------                --------------  -----         
 0   age                   66473 non-null  int64         
 1   date_account_created  66473 non-null  datetime64[ns]
 2   date_first_booking    66473 non-null  object        
 3   gender                66473 non-null  object        
 4   Language_EN           66473 non-null  int64         
 5   Language_ZH           66473 non-null  int64         
 6   Country_US            66473 non-null  int64         
 7   Country_EUR           66473 non-null  int64         
 8   android               66473 non-null  int64         
 9   moweb                 66473 non-null  int64         
 10  web                   66473 non-null  int64         
 11  ios                   66473 non-null  int64         
 12  Married               66473 non-null  int64         
 13  Children              66473 non-null  int64         
dtypes: datetime64[ns](1), int64(11), object(2)
memory usage: 7.6+ MB

date_account_created的数据格式已转换为datetime64

#将年份从众提取出来，即用2020-注册日期的年份
airbnb['year_since_account_created'] = airbnb['date_account_created'].apply(lambda x: 2020 - x.year)

airbnb['year_since_account_created'].describe()

count    66473.000000
mean         7.035819
std          0.965431
min          6.000000
25%          6.000000
50%          7.000000
75%          8.000000
max         10.000000
Name: year_since_account_created, dtype: float64

airbnb['year_since_account_created'].value_counts()

7     25497
6     22469
8     13182
9      4307
10     1018
Name: year_since_account_created, dtype: int64

• 发现注册时间距今最短是6年，最长的是10年
• 注册时间多集中在6 - 7年

#同样方法处理date_first_booking
airbnb['date_first_booking'] = pd.to_datetime(airbnb['date_first_booking'])

airbnb['year_since_first_booking'] = airbnb['date_first_booking'].apply(lambda x: 2020 - x.year)

airbnb['year_since_first_booking'].describe()

count    66473.000000
mean         6.907481
std          0.995303
min          5.000000
25%          6.000000
50%          7.000000
75%          7.000000
max         10.000000
Name: year_since_first_booking, dtype: float64

• 发现第一次订房时间距今最短是5年，最长的是10年
• 这样的衍生变量在预测消费者购买能够更好得到潜在的效果

#既然已经将日期转变为了距今的年份，就可以将两个日期变量删除
airbnb.drop(airbnb.select_dtypes(['datetime64']), axis = 1, inplace = True)
airbnb.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 66473 entries, 0 to 67935
Data columns (total 14 columns):
 #   Column                      Non-Null Count  Dtype 
---  ------                      --------------  ----- 
 0   age                         66473 non-null  int64 
 1   gender                      66473 non-null  object
 2   Language_EN                 66473 non-null  int64 
 3   Language_ZH                 66473 non-null  int64 
 4   Country_US                  66473 non-null  int64 
 5   Country_EUR                 66473 non-null  int64 
 6   android                     66473 non-null  int64 
 7   moweb                       66473 non-null  int64 
 8   web                         66473 non-null  int64 
 9   ios                         66473 non-null  int64 
 10  Married                     66473 non-null  int64 
 11  Children                    66473 non-null  int64 
 12  year_since_account_created  66473 non-null  int64 
 13  year_since_first_booking    66473 non-null  int64 
dtypes: int64(13), object(1)
memory usage: 7.6+ MB

2.2.2 gender的调整

#对gender进行哑变量处理
airbnb = pd.get_dummies(airbnb)
airbnb.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 66473 entries, 0 to 67935
Data columns (total 16 columns):
 #   Column                      Non-Null Count  Dtype
---  ------                      --------------  -----
 0   age                         66473 non-null  int64
 1   Language_EN                 66473 non-null  int64
 2   Language_ZH                 66473 non-null  int64
 3   Country_US                  66473 non-null  int64
 4   Country_EUR                 66473 non-null  int64
 5   android                     66473 non-null  int64
 6   moweb                       66473 non-null  int64
 7   web                         66473 non-null  int64
 8   ios                         66473 non-null  int64
 9   Married                     66473 non-null  int64
 10  Children                    66473 non-null  int64
 11  year_since_account_created  66473 non-null  int64
 12  year_since_first_booking    66473 non-null  int64
 13  gender_F                    66473 non-null  uint8
 14  gender_M                    66473 non-null  uint8
 15  gender_U                    66473 non-null  uint8
dtypes: int64(13), uint8(3)
memory usage: 7.3 MB

3 相关和可视化

3.1 观察age与其他用户个人信息的相关关系

set1 = airbnb[['age', 'Children', 'Married', 'Language_EN', 'Country_US']]
set1.corr()

sns.heatmap(set1.corr(), cmap = 'pink')

• 用户的age与使用英语且家中小孩较多的变量成正相关关系，说明Airbnb在age越大，英语使用频率高和小孩较多的家庭中比较受欢迎
• 但age与目的地是美国的变量成负相关关系，说明用户age越大，越可能去美国之外的国家使用Airbnb
• age与其他用户个人信息的相关关系都太弱，对后续分析意义不大

3.2 观察age与用户下单渠道和性别的相关关系

set2 = airbnb[['age', 'android', 'moweb', 'web', 'ios', 'gender_F', 'gender_M']]
set2.corr()

sns.heatmap(set2.corr(), cmap = 'pink')

• 随着age增加，用户会越倾向于在web上下单
• age越大的用户，越倾向于用Android上下单；而age越小的用户，越倾向于用iOS下单
• 男性用户更喜欢在H5推送界面上下单，并且他们不喜欢在Android上下单
• age与用户下单渠道和性别的相关关系都太弱，对后续分析意义不大

4 模型的建立与评估

4.1 模型建立

选择基于用户的行为偏好以及用户个人信息的考量：

• android, moweb, web, ios反映了客户的行为偏好
• age是用户个人信息的变量

#将5个指标存放进新的变量中，方便后续调用
airbnb_5 = airbnb[['age', 'android', 'moweb', 'web', 'ios']]

#导入sklearn中的预处理scale
from sklearn.preprocessing import scale
#用scale处理完后，标准化airbnb中的数据，并存进变量x
x = pd.DataFrame(scale(airbnb_5))

#使用cluster建模，先尝试分为3组
from sklearn import cluster
model = cluster.KMeans(n_clusters = 3, random_state = 10)
model.fit(x)

KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,
       n_clusters=3, n_init=10, n_jobs=None, precompute_distances='auto',
       random_state=10, tol=0.0001, verbose=0)

#提取标签，查看分类结果
airbnb_5['cluster'] = model.labels_
airbnb_5.head(10)

4.2 数据可视化，查看单变量维度分析结果

sns.scatterplot(x = 'age', y = 'ios', hue = 'cluster', data = airbnb_5)

• iOS只有0和1两个维度，故其可视化不佳

4.3 模型评估

#评估单变量维度分群效果
airbnb_5.groupby(['cluster'])['age'].describe()

• 发现3组用户的年龄分布都在18 - 80岁之间，说明age的区分度较弱

airbnb_5.groupby(['cluster'])['ios'].describe()

• 0群和1群iOS为0，2群iOS大部分都为1，故iOS在群组中是一个很好的分群变量

from sklearn import metrics
#每一个变量x与之对应的群cluster的距离
x_cluster = model.fit_predict(x)
#将变量x与所在群进行比较，评分越高，个体与群越接近
score = metrics.silhouette_score(x, x_cluster)

print(score)

0.6335056609750385

#导出cluster_centers_
centers = pd.DataFrame(model.cluster_centers_)

print(centers)

          0         1         2         3         4
0 -0.089316 -1.375323  1.375436  0.228944 -0.270589
1  0.076228  0.724734 -0.725096  0.206204 -0.270589
2 -0.271129 -0.130558  0.133297 -2.922051  3.695642

• 列0, 1, 2, 3, 4分别对应age, android, moweb, web, ios（重点关注每一列的数据，找出abs较大的数字，结合业务理解进行判断）
• 0群和2群较为独特，下单渠道较为集中：
  • 0群喜欢用H5活动界面（如微信推送界面）下单，较少用android下单
  • 2群iOS重度用户，且很少使用web下单

4.4 模型优化（增加分群个数）

#使用cluster建模，分为5组
from sklearn import cluster
model = cluster.KMeans(n_clusters = 5, random_state = 10)
model.fit(x)

KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,
       n_clusters=5, n_init=10, n_jobs=None, precompute_distances='auto',
       random_state=10, tol=0.0001, verbose=0)

#导出cluster_centers_
centers = pd.DataFrame(model.cluster_centers_)
print(centers)

          0         1         2         3         4
0 -0.433590  0.727102 -0.725096  0.342225 -0.270589
1 -0.093553 -1.375323  1.379127  0.342225 -0.270589
2 -0.251366  0.053425 -0.122776 -2.922051 -0.270589
3 -0.271129 -0.130558  0.133297 -2.922051  3.695642
4  1.630809  0.708694 -0.706673  0.340277 -0.270589

• 年龄有变大的趋势
• 1群喜欢用H5活动界面（如微信推送界面）下单，较少用android下单
• 2群不喜欢用web下单
• 3群iOS重度用户，且很少使用web下单
• 4群年龄最大，但4群和0群数据区分度很小，对实际分析意义不大

5 业务解读

5.1 用户分析

• 用户年龄分布在18 - 80岁，平均年龄为36岁，中位数为33岁。其中28 - 32岁用户为消费主体

• 说明年龄大的用户居多，所以拉开了整体数据分布

• 注册时间距今最短是6年，最长的是10年

• 注册时间多集中在6 - 7年

• 第一次订房时间距今最短是5年，最长的是10年

5.2 提高客群区分度分析

• 用户的age与使用英语且家中小孩较多的变量成正相关关系，说明Airbnb在age越大，英语使用频率高和小孩较多的家庭中比较受欢迎

• 但age与目的地是美国的变量成负相关关系，说明用户age越大，越可能去美国之外的国家使用Airbnb

• 随着age增加，用户会越倾向于在web上下单

• age越大的用户，越倾向于用Android上下单；而age越小的用户，越倾向于用iOS下单

• 男性用户更喜欢在H5推送界面上下单，并且他们不喜欢在Android上下单

将用户分为5组后：

• 年龄有变大的趋势
• 1群喜欢用H5活动界面（如微信推送界面）下单，较少用android下单
• 2群不喜欢用web下单
• 3群iOS重度用户，且很少使用web下单

5.3 结论

• 重点留意28 - 32岁和注册时间在6 - 7年的Airbnb重度用户的留存情况，对响应度较低的客户制定相应的营销策略
• 对说英语、家中小孩较多的年龄较大的用户制定相应的活动或产品相应模型，比如推出周末家庭优惠游的套餐，尽量用最小的营销投入来最大化收益
• 对年龄较大的用户制定经济实惠的旅游路线和住宿计划，并可以提示通过推送下单有满减政策；对年龄较小的用户提供新颖刺激的旅游项目，并可以提示通过iOS客户端下单有一定优惠
• 对不同渠道的宣传和营销策划进行组间分析，观察两者的差异性，不断完善营销策略，有针对性地对不同客群实施相应的营销手段。

推荐关注的专栏

?‍?‍?‍? 机器学习：分享机器学习实战项目和常用模型讲解
?‍?‍?‍? 数据分析：分享数据分析实战项目和常用技能整理

往期内容回顾

? 学习Python全套代码【超详细】Python入门、核心语法、数据结构、Python进阶【致那个想学好Python的你】
❤️ 学习pandas全套代码【超详细】数据查看、输入输出、选取、集成、清洗、转换、重塑、数学和统计方法、排序
? 学习pandas全套代码【超详细】分箱操作、分组聚合、时间序列、数据可视化
? 学习NumPy全套代码【超详细】基本操作、数据类型、数组运算、复制和试图、索引、切片和迭代、形状操作、通用函数、线性代数

关注我，了解更多相关知识！

CSDN@报告，今天也有好好学习