为了研究黑色星期五时超市交易额的影响因素，可以采用我们之前学过的绘图函数进行分析，本文致力于让大家学会用绘图函数进行案例分析。

本文目录

导入数据

影响交易额因素分析

2.1 年龄因素对交易额影响

2.2 居住时长因素对交易额影响

2.3 年龄和居住时长因素对交易额影响

2.4 所有因素两两相关性分析

一、导入数据

首先导入绘图所需的数据。

import os              #导入库import pandas as pd    #导入库
os.chdir(r'F:\公众号\10.黑色星期五购物数据')   #设置文件存放路径date = pd.read_csv('BlackFriday.csv')          #读取数据

注：如需文中数据进行练习，可到公众号中回复“黑五购物数据”即可免费获取。

展示前几行数据如下：

二、影响交易额因素分析

1 年龄因素对交易额影响

首先分析年龄因素对交易额的影响，具体语句如下：

import matplotlib.pyplot as plt                          #导入库
plt.rcParams['font.sans-serif'] = ['SimHei']              #解决中文显示问题plt.rcParams['axes.unicode_minus'] = False               # 解决中文显示问题
result = date[['Purchase']].groupby(date['Age']).mean() #按年龄分组，统计交易额平均值plt.scatter(result['Purchase'], result.index, c=result['Purchase'])  #以交易额为x轴和区分颜色，年龄为y轴绘制散点图plt.colorbar()                                           #绘制颜色条plt.xlabel('交易额')                                     #x轴标签plt.ylabel('年龄段')                                     #y轴标签plt.title('不同年龄段交易额趋势')                        #标题plt.show()

得到结果如下：

图一不同年龄段交易额

由图一知，相对而言年龄越大交易额均值越大，但是在46到50岁的时候出现了一个反常现象。

2 居住时长因素对交易额影响

接着分析顾客在超市所在地居住时长因素对交易额的影响，具体语句如下：

result = date[['Purchase']].groupby(date['Stay_In_Current_City_Years']).mean() #按年龄分组，统计交易额平均值plt.scatter(result['Purchase'], result.index, c=result['Purchase'])  #以交易额为x轴和区分颜色，年龄为y轴绘制散点图plt.colorbar()                                           #绘制颜色条plt.xlabel('交易额')                                     #x轴标签plt.ylabel('居住时长')                                   #y轴标签plt.title('不同居住时长对交易额影响')                    #标题plt.show()

得到结果如下：

图二不同居住时长对交易额影响

由图二知，在超市所在地居住时间2年左右的顾客平均交易金额最大，两者之间的关系整体呈现u字形。

3 年龄和居住时长因素对交易额影响

再根据居住时长和年龄因素绘制三维散点图，分析这两个因素对交易额的影响，具体语句如下：

import matplotlib.cm as cm       #导入库
result = date[['Purchase']].groupby([date['Stay_In_Current_City_Years'], date['Age']]).mean() #按年龄分组，统计交易额平均值, resulax = plt.subplot(projection='3d')ax.scatter(result['Purchase'], result.index.codes[0], result.index.codes[1], color=cm.ScalarMappable().to_rgba(result['Purchase']))  #绘制三维散点图sm = plt.cm.ScalarMappable(norm=plt.Normalize(vmin=result['Purchase'].min(), vmax=result['Purchase'].max()))plt.xlabel('交易额')                                     #x轴标签plt.ylabel('居住年数')                                   #y轴标签plt.title('不同居住时长和年龄段对交易额影响')            #标题plt.colorbar(sm)                                         #显示对应数值的颜色条plt.show()

得到结果如下：

图三不同居住时长和年龄段对交易额影响

由图三知，整体而言年龄段越大，在超市所在地居住时间2年左右的顾客平均交易金额最大，但是看得不是很清晰。

接下来从相关性角度对所有因素进行两两相关性分析。

4 所有因素两两相关性分析

由于corr函数只对数值形数据计算相关系数，所以要先把字符形数据转成数值形，具体语句如下：

pd.set_option('display.max_columns', None)       #设置最大显示列数date['Age'] = date['Age'].apply(lambda x:x[0])   #取年龄段的第一数字替换年龄变量，方便相关性计算date.loc[date['Stay_In_Current_City_Years']=='4+', 'Stay_In_Current_City_Years'] = 4  #把居住时长中的4+替换成4date['Age'] = date['Age'].astype(int)            #把年龄字段字符形转成数值形（整形）date['Stay_In_Current_City_Years'] = date['Stay_In_Current_City_Years'].astype(int)   #把居住时长字段字符形转成数值形（整形）date.corr()                                      #计算数据表字段的两两相关性

得到结果如下：

图四两两相关性分析

由图四知，对交易额影响最大的因素是产品类别1，产品类别1、产品类别2、产品类别3相关性相对较高。

为了更清晰地展现相关性表，可以把这个表绘制成热力图，具体代码如下：

import seaborn as sns    #导入库
sns.heatmap(date.corr())  #根据相关系数表绘制热力图plt.show()

得到结果如下：

图五两两相关性表热力图

由图五知，年龄和较多因素的关联性都较高，产品类别1、产品类别2、产品类别3相关性相对较高。

更进一步，可以绘制分层聚类热力图，具体代码如下：

sns.clustermap(date.corr())  #绘制分层热力图plt.show()

得到结果：

图六两两相关性分层聚类热力图

由图六知，产品类别1和产品类别2相关性较高首先聚为一类，再和产品类别3聚为一类。年龄和婚姻状态相关性较高首先聚为一类。

至此，在Python中绘图研究黑五超市交易额影响因素已全部讲解完毕，感兴趣的同学可以自己实现一遍。

往期回顾：

520表白代码合集

黑客帝国中的代码雨

用python绘制皮卡丘

娱乐圈排行榜动态条形图绘制

Python人脸识别—我的眼里只有你

3D星空图V2版——添加背景图片和音乐

扫一扫关注我

19967879837

投稿微信号、手机号

ITPub博客

【Python】研究黑色星期五超市交易额影响因素【绘图展示】

最新文章