1.前言 RFM模型即"R"——Recency（最近一次消費(fèi)時間）、"F"——Frequency（一段時間內(nèi)消費(fèi)頻次）、"M"——（一段時間內(nèi)消...
投稿
收錄了6篇文章 · 4人關(guān)注
-
用Python實(shí)現(xiàn)RFM模型——互聯(lián)網(wǎng)產(chǎn)品用戶分層必備技巧 -
python數(shù)據(jù)分析項(xiàng)目——鏈家上海二手房數(shù)據(jù)分析（一）1.數(shù)據(jù)爬取 鏈接：https://pan.baidu.com/s/1zaTqNY2eCzGyYzesDw0LPw提取碼：5h8d鏈接是我自行在...
-
python數(shù)據(jù)分析項(xiàng)目——拉勾網(wǎng)數(shù)據(jù)分析職位（一）
本項(xiàng)目的數(shù)據(jù)來源是2019年拉勾網(wǎng)——上海的數(shù)據(jù)分析崗位的信息 首先第一步：爬取數(shù)據(jù) 爬取的代碼就不貼上來了，有很多種，本人的爬蟲水平僅限于Be...
-
python數(shù)據(jù)分析項(xiàng)目——拉勾網(wǎng)數(shù)據(jù)分析職位（二）接著上一篇的內(nèi)容，接下來分析下公司行業(yè)背景的數(shù)量分布 3.2 公司行業(yè)分布情況 原數(shù)據(jù)中行業(yè)分布，有些公司用、代替了,作為分隔符，所以需要用上面...
-
python數(shù)據(jù)分析項(xiàng)目——臺北101門票銷售情況（一）分析內(nèi)容 針對臺北101門票的銷售情況數(shù)據(jù)，做一些簡單的數(shù)據(jù)分析 每天的銷售量 銷售量最高和最低日期分布 游客購買次數(shù)密度 游客購買次數(shù)百分比 ...
-
python數(shù)據(jù)分析項(xiàng)目——臺北101門票銷售情況（二）用戶分層 緊接著上一篇文章，現(xiàn)在我們來分析下不同用戶（游客）的分層： 建立一個數(shù)據(jù)透視表，并先將所有的NAN值改成0，購買過2次及以上的游客統(tǒng)統(tǒng)...
{var%20f='http://v.t.sina.com.cn/share/share.php?appkey=1881139527',u=z||d.location,p=['&url=',e(u),'&title=',e(t||d.title),'&source=',e(r),'&sourceUrl=',e(l),'&content=',c||'gb2312','&pic=',e(p||'')].join('');function%20a(){if(!window.open([f,p].join(''),'mb',['toolbar=0,status=0,resizable=1,width=440,height=430,left=',(s.width-440)/2,',top=',(s.height-430)/2].join('')))u.href=[f,p].join('');};if(/Firefox/.test(navigator.userAgent))setTimeout(a,0);else%20a();})(screen,document,encodeURIComponent,'','','https://upload.jianshu.io/collections/images/1772412/%E4%B8%8D%E6%B4%81%E7%9A%84%E5%93%88%E7%BD%97%E5%BE%B7.png', '推薦專題《Python數(shù)據(jù)分析》（ 分享自 @簡書 ）','http://www.itdecent.cn/c/960577859daa?utm_campaign=maleskine&utm_content=collection&utm_medium=reader_share&utm_source=weibo','頁面編碼gb2312|utf-8默認(rèn)gb2312'));){kind=link}