In [1]:
# 导入必要的库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from matplotlib import font_manager
import warnings
warnings.filterwarnings('ignore')
# 设置中文字体
font_path = '/System/Library/Fonts/STHeiti Medium.ttc'
plt.rcParams['font.family'] = font_manager.FontProperties(fname=font_path).get_name()
plt.rcParams['axes.unicode_minus'] = False
# 设置绘图风格
plt.style.use('seaborn-v0_8-whitegrid')
sns.set_palette("husl")
# 设置颜色方案
COLORS = {
'渠道 1': '#00d4ff',
'渠道 2': '#00ff88',
'渠道3': '#ffd700',
'primary': '#1a1a2e',
'secondary': '#16213e',
'accent': '#0f3460',
'highlight': '#e94560'
}
print("✅ 库导入成功！")
✅ 库导入成功！
1. 数据加载与概览¶
In [2]:
# 加载数据
df = pd.read_csv('assets/data/1.描述型分析与数据可视化.csv', encoding='utf-8-sig')
# 查看数据基本信息
print("="*60)
print("数据概览")
print("="*60)
print(f"\n数据形状: {df.shape[0]} 行 × {df.shape[1]} 列")
print(f"\n列名: {list(df.columns)}")
print(f"\n数据类型:")
print(df.dtypes)
============================================================ 数据概览 ============================================================ 数据形状: 25 行 × 9 列 列名: ['日期', '渠道', '销售收入', '花费', '点击量', '展现量', '点击采购次数', '跳转账号密码页次数', '交易笔数'] 数据类型: 日期 object 渠道 object 销售收入 int64 花费 int64 点击量 int64 展现量 int64 点击采购次数 int64 跳转账号密码页次数 int64 交易笔数 int64 dtype: object
In [3]:
# 数据预览
print("\n" + "="*60)
print("数据预览（前10行）")
print("="*60)
df.head(10)
============================================================ 数据预览（前10行） ============================================================
Out[3]:
| 日期 | 渠道 | 销售收入 | 花费 | 点击量 | 展现量 | 点击采购次数 | 跳转账号密码页次数 | 交易笔数 | |
|---|---|---|---|---|---|---|---|---|---|
| 0 | 2025/1/1 | 渠道 1 | 1800000 | 9000 | 25000 | 350000 | 1200 | 600 | 500 |
| 1 | 2025/1/2 | 渠道 1 | 1654321 | 8564 | 16476 | 314765 | 1174 | 564 | 514 |
| 2 | 2025/1/3 | 渠道 1 | 1754321 | 8564 | 17476 | 314765 | 1174 | 564 | 514 |
| 3 | 2025/1/4 | 渠道 1 | 1654321 | 8564 | 16476 | 314765 | 1174 | 564 | 514 |
| 4 | 2025/1/5 | 渠道 1 | 1543211 | 7243 | 16236 | 252365 | 843 | 436 | 387 |
| 5 | 2025/1/6 | 渠道 1 | 1543211 | 7243 | 16236 | 252365 | 843 | 436 | 387 |
| 6 | 2025/1/7 | 渠道 1 | 1543211 | 7243 | 16236 | 252365 | 843 | 436 | 387 |
| 7 | 2025/1/8 | 渠道 1 | 1543211 | 7243 | 16236 | 252365 | 843 | 436 | 387 |
| 8 | 2025/1/1 | 渠道 2 | 1200000 | 6000 | 18000 | 250000 | 900 | 450 | 350 |
| 9 | 2025/1/2 | 渠道 2 | 1400000 | 7500 | 17556 | 265678 | 876 | 468 | 419 |
In [4]:
# 数据质量检查
print("\n" + "="*60)
print("数据质量检查")
print("="*60)
# 缺失值
missing = df.isnull().sum()
print(f"缺失值统计:")
print(missing if missing.sum() > 0 else "✅ 无缺失值")
# 重复值
duplicates = df.duplicated().sum()
print(f"\n重复行数: {duplicates}")
# 渠道分布
print(f"\n渠道分布:")
print(df['渠道'].value_counts())
============================================================ 数据质量检查 ============================================================ 缺失值统计: ✅ 无缺失值 重复行数: 1 渠道分布: 渠道 渠道3 9 渠道 1 8 渠道 2 8 Name: count, dtype: int64
2. 描述性统计分析¶
In [5]:
# 数值型变量描述统计
print("="*60)
print("数值型变量描述统计")
print("="*60)
df.describe().round(2)
============================================================ 数值型变量描述统计 ============================================================
Out[5]:
| 销售收入 | 花费 | 点击量 | 展现量 | 点击采购次数 | 跳转账号密码页次数 | 交易笔数 | |
|---|---|---|---|---|---|---|---|
| count | 25.00 | 25.00 | 25.00 | 25.00 | 25.00 | 25.00 | 25.00 |
| mean | 1284099.04 | 7075.04 | 16316.88 | 259539.92 | 884.48 | 442.32 | 386.60 |
| std | 303635.04 | 905.45 | 2559.23 | 36190.78 | 149.14 | 70.63 | 65.85 |
| min | 804321.00 | 5832.00 | 12832.00 | 210365.00 | 706.00 | 340.00 | 290.00 |
| 25% | 1043211.00 | 6323.00 | 14632.00 | 232365.00 | 792.00 | 392.00 | 342.00 |
| 50% | 1300000.00 | 7000.00 | 16236.00 | 252365.00 | 843.00 | 436.00 | 387.00 |
| 75% | 1543211.00 | 7500.00 | 17476.00 | 280000.00 | 925.00 | 468.00 | 406.00 |
| max | 1800000.00 | 9000.00 | 25000.00 | 350000.00 | 1200.00 | 600.00 | 514.00 |
In [6]:
# 各渠道汇总统计
print("\n" + "="*60)
print("各渠道核心指标汇总")
print("="*60)
channel_summary = df.groupby('渠道').agg({
'销售收入': 'sum',
'花费': 'sum',
'点击量': 'sum',
'展现量': 'sum',
'点击采购次数': 'sum',
'跳转账号密码页次数': 'sum',
'交易笔数': 'sum'
}).round(2)
# 计算衍生指标
channel_summary['ROI'] = (channel_summary['销售收入'] / channel_summary['花费']).round(2)
channel_summary['转化率(点击-采购)'] = (channel_summary['点击采购次数'] / channel_summary['点击量'] * 100).round(2)
channel_summary['成交率(采购-交易)'] = (channel_summary['交易笔数'] / channel_summary['点击采购次数'] * 100).round(2)
channel_summary['整体转化率'] = (channel_summary['交易笔数'] / channel_summary['展现量'] * 100).round(4)
channel_summary
============================================================ 各渠道核心指标汇总 ============================================================
Out[6]:
| 销售收入 | 花费 | 点击量 | 展现量 | 点击采购次数 | 跳转账号密码页次数 | 交易笔数 | ROI | 转化率(点击-采购) | 成交率(采购-交易) | 整体转化率 | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 渠道 | |||||||||||
| 渠道 1 | 13035807 | 63664 | 140372 | 2303755 | 8094 | 4036 | 3590 | 204.76 | 5.77 | 44.35 | 0.1558 |
| 渠道 2 | 8806174 | 51530 | 125284 | 1942962 | 6548 | 3271 | 2822 | 170.89 | 5.23 | 43.10 | 0.1452 |
| 渠道3 | 10260495 | 61682 | 142266 | 2241781 | 7470 | 3751 | 3253 | 166.35 | 5.25 | 43.55 | 0.1451 |
3. 综合可视化分析¶
In [7]:
# 创建综合分析图表
fig = plt.figure(figsize=(20, 16))
# 1. 各渠道销售收入对比
ax1 = fig.add_subplot(2, 3, 1)
sales_by_channel = df.groupby('渠道')['销售收入'].sum().sort_values(ascending=False)
colors = [COLORS.get(c, '#888888') for c in sales_by_channel.index]
bars = ax1.bar(sales_by_channel.index, sales_by_channel.values / 1e6, color=colors, edgecolor='white', linewidth=2)
ax1.set_title('各渠道销售收入对比', fontsize=14, fontweight='bold', pad=10)
ax1.set_ylabel('销售收入（百万元）', fontsize=11)
ax1.grid(axis='y', alpha=0.3)
for bar, val in zip(bars, sales_by_channel.values / 1e6):
ax1.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.1,
f'{val:.2f}M', ha='center', fontsize=10, fontweight='bold')
# 2. 各渠道花费对比
ax2 = fig.add_subplot(2, 3, 2)
cost_by_channel = df.groupby('渠道')['花费'].sum().sort_values(ascending=False)
bars = ax2.bar(cost_by_channel.index, cost_by_channel.values / 1e4, color=colors, edgecolor='white', linewidth=2)
ax2.set_title('各渠道花费对比', fontsize=14, fontweight='bold', pad=10)
ax2.set_ylabel('花费（万元）', fontsize=11)
ax2.grid(axis='y', alpha=0.3)
for bar, val in zip(bars, cost_by_channel.values / 1e4):
ax2.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.1,
f'{val:.1f}W', ha='center', fontsize=10, fontweight='bold')
# 3. ROI对比
ax3 = fig.add_subplot(2, 3, 3)
roi_data = channel_summary['ROI'].sort_values(ascending=False)
colors_roi = ['#00ff88' if v > 100 else '#ffd700' if v > 50 else '#ff4757' for v in roi_data.values]
bars = ax3.bar(roi_data.index, roi_data.values, color=colors_roi, edgecolor='white', linewidth=2)
ax3.set_title('各渠道ROI对比', fontsize=14, fontweight='bold', pad=10)
ax3.set_ylabel('ROI（销售收入/花费）', fontsize=11)
ax3.axhline(y=100, color='red', linestyle='--', alpha=0.5, label='基准线100')
ax3.legend()
ax3.grid(axis='y', alpha=0.3)
for bar, val in zip(bars, roi_data.values):
ax3.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 2,
f'{val:.1f}', ha='center', fontsize=10, fontweight='bold')
# 4. 转化漏斗对比
ax4 = fig.add_subplot(2, 3, 4)
funnel_data = channel_summary[['展现量', '点击量', '点击采购次数', '交易笔数']].loc[['渠道 1', '渠道 2', '渠道3']]
x = np.arange(len(funnel_data.columns))
width = 0.25
for i, (channel, row) in enumerate(funnel_data.iterrows()):
ax4.bar(x + i*width, row.values / 1e4, width, label=channel, color=list(COLORS.values())[i])
ax4.set_title('各渠道转化漏斗对比', fontsize=14, fontweight='bold', pad=10)
ax4.set_xticks(x + width)
ax4.set_xticklabels(['展现量', '点击量', '点击采购', '交易笔数'], fontsize=10)
ax4.set_ylabel('数量（万）', fontsize=11)
ax4.legend(fontsize=9)
ax4.grid(axis='y', alpha=0.3)
# 5. 点击率对比
ax5 = fig.add_subplot(2, 3, 5)
df['点击率'] = df['点击量'] / df['展现量'] * 100
ctr_by_channel = df.groupby('渠道')['点击率'].mean().sort_values(ascending=False)
bars = ax5.bar(ctr_by_channel.index, ctr_by_channel.values, color=[COLORS.get(c, '#888') for c in ctr_by_channel.index], edgecolor='white', linewidth=2)
ax5.set_title('各渠道平均点击率', fontsize=14, fontweight='bold', pad=10)
ax5.set_ylabel('点击率（%）', fontsize=11)
ax5.grid(axis='y', alpha=0.3)
for bar, val in zip(bars, ctr_by_channel.values):
ax5.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.05,
f'{val:.2f}%', ha='center', fontsize=10, fontweight='bold')
# 6. 渠道占比饼图
ax6 = fig.add_subplot(2, 3, 6)
sales_pct = df.groupby('渠道')['销售收入'].sum()
colors_pie = [COLORS.get(c, '#888') for c in sales_pct.index]
wedges, texts, autotexts = ax6.pie(sales_pct, labels=sales_pct.index, autopct='%1.1f%%',
colors=colors_pie, startangle=90, explode=[0.05]*3)
ax6.set_title('各渠道销售收入占比', fontsize=14, fontweight='bold', pad=10)
for autotext in autotexts:
autotext.set_fontsize(11)
autotext.set_fontweight('bold')
plt.suptitle('营销渠道效果综合分析', fontsize=20, fontweight='bold', y=1.02)
plt.tight_layout()
plt.savefig('assets/images/channel_analysis_overview.png', dpi=150, bbox_inches='tight')
plt.show()
print("\n✅ 综合分析图表已保存")
✅ 综合分析图表已保存
4. 转化漏斗深度分析¶
In [8]:
# 转化漏斗可视化
fig, axes = plt.subplots(1, 3, figsize=(18, 6))
channels = ['渠道 1', '渠道 2', '渠道3']
for idx, channel in enumerate(channels):
ax = axes[idx]
data = channel_summary.loc[channel]
# 漏斗数据
stages = ['展现量', '点击量', '点击采购次数', '跳转账号密码页次数', '交易笔数']
values = [data['展现量'], data['点击量'], data['点击采购次数'],
data['跳转账号密码页次数'], data['交易笔数']]
# 计算转化率
conversion_rates = [100]
for i in range(1, len(values)):
rate = values[i] / values[i-1] * 100
conversion_rates.append(rate)
# 绘制漏斗图
y_positions = np.arange(len(stages))
colors_funnel = plt.cm.Blues(np.linspace(0.8, 0.3, len(stages)))
bars = ax.barh(y_positions, values, color=colors_funnel, edgecolor='white', height=0.7)
ax.set_yticks(y_positions)
ax.set_yticklabels(stages)
ax.set_xlabel('数量', fontsize=11)
ax.set_title(f'{channel}', fontsize=14, fontweight='bold', color=COLORS.get(channel, '#333'))
ax.grid(axis='x', alpha=0.3)
# 添加数值标签
for bar, val, rate in zip(bars, values, conversion_rates):
ax.text(val + max(values)*0.02, bar.get_y() + bar.get_height()/2,
f'{val:,.0f} ({rate:.1f}%)', va='center', fontsize=9)
plt.suptitle('各渠道转化漏斗分析', fontsize=16, fontweight='bold', y=1.02)
plt.tight_layout()
plt.savefig('assets/images/funnel_analysis.png', dpi=150, bbox_inches='tight')
plt.show()
print("\n✅ 转化漏斗分析图已保存")
✅ 转化漏斗分析图已保存
5. 渠道效果雷达图¶
In [9]:
# 创建渠道对比雷达图
from math import pi
fig, ax = plt.subplots(figsize=(10, 10), subplot_kw=dict(polar=True))
# 准备雷达图数据（归一化）
metrics = ['销售收入', '花费', '点击量', '展现量', '点击采购次数', '交易笔数']
channels = ['渠道 1', '渠道 2', '渠道3']
# 归一化数据
radar_data = channel_summary[metrics].copy()
for col in metrics:
max_val = radar_data[col].max()
if max_val > 0:
radar_data[col] = radar_data[col] / max_val
# 设置角度
angles = [n / float(len(metrics)) * 2 * pi for n in range(len(metrics))]
angles += angles[:1]
# 绘制雷达图
for i, channel in enumerate(channels):
values = radar_data.loc[channel].values.flatten().tolist()
values += values[:1]
ax.plot(angles, values, 'o-', linewidth=2, label=channel, color=list(COLORS.values())[i])
ax.fill(angles, values, alpha=0.15, color=list(COLORS.values())[i])
# 设置标签
ax.set_xticks(angles[:-1])
ax.set_xticklabels(metrics, fontsize=11)
ax.set_ylim(0, 1.1)
plt.legend(loc='upper right', bbox_to_anchor=(1.3, 1.0))
plt.title('各渠道核心指标雷达图对比', fontsize=16, fontweight='bold', y=1.08)
plt.tight_layout()
plt.savefig('assets/images/radar_chart.png', dpi=150, bbox_inches='tight')
plt.show()
print("\n✅ 雷达图已保存")
✅ 雷达图已保存
6. 关键指标汇总表¶
In [10]:
# 创建详细的汇总表格
print("="*80)
print("营销渠道效果分析汇总表")
print("="*80)
summary_table = channel_summary.copy()
summary_table.columns = ['销售收入', '花费', '点击量', '展现量', '点击采购次数',
'跳转账号页', '交易笔数', 'ROI', '转化率(点击-采购)%',
'成交率(采购-交易)%', '整体转化率%']
# 格式化显示
summary_display = summary_table.copy()
summary_display['销售收入'] = summary_display['销售收入'].apply(lambda x: f'{x:,.0f}')
summary_display['花费'] = summary_display['花费'].apply(lambda x: f'{x:,.0f}')
summary_display['点击量'] = summary_display['点击量'].apply(lambda x: f'{x:,.0f}')
summary_display['展现量'] = summary_display['展现量'].apply(lambda x: f'{x:,.0f}')
summary_display['点击采购次数'] = summary_display['点击采购次数'].apply(lambda x: f'{x:,.0f}')
summary_display['跳转账号页'] = summary_display['跳转账号页'].apply(lambda x: f'{x:,.0f}')
summary_display['交易笔数'] = summary_display['交易笔数'].apply(lambda x: f'{x:,.0f}')
summary_display
================================================================================ 营销渠道效果分析汇总表 ================================================================================
Out[10]:
| 销售收入 | 花费 | 点击量 | 展现量 | 点击采购次数 | 跳转账号页 | 交易笔数 | ROI | 转化率(点击-采购)% | 成交率(采购-交易)% | 整体转化率% | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 渠道 | |||||||||||
| 渠道 1 | 13,035,807 | 63,664 | 140,372 | 2,303,755 | 8,094 | 4,036 | 3,590 | 204.76 | 5.77 | 44.35 | 0.1558 |
| 渠道 2 | 8,806,174 | 51,530 | 125,284 | 1,942,962 | 6,548 | 3,271 | 2,822 | 170.89 | 5.23 | 43.10 | 0.1452 |
| 渠道3 | 10,260,495 | 61,682 | 142,266 | 2,241,781 | 7,470 | 3,751 | 3,253 | 166.35 | 5.25 | 43.55 | 0.1451 |
7. 分析结论与建议¶
In [11]:
# 生成分析报告
print("="*80)
print("营销渠道效果分析报告")
print("="*80)
# 找出最佳渠道
best_roi_channel = channel_summary['ROI'].idxmax()
best_sales_channel = channel_summary['销售收入'].idxmax()
best_conversion_channel = channel_summary['整体转化率'].idxmax()
# 计算总体数据
total_sales = channel_summary['销售收入'].sum()
total_cost = channel_summary['花费'].sum()
total_roi = total_sales / total_cost
print(f"\n📊 【总体概览】")
print(f" 总销售收入: {total_sales:,.0f} 元")
print(f" 总花费: {total_cost:,.0f} 元")
print(f" 总体ROI: {total_roi:.2f}")
print(f"\n🏆 【各维度最佳渠道】")
print(f" 最高ROI: {best_roi_channel} (ROI={channel_summary.loc[best_roi_channel, 'ROI']:.2f})")
print(f" 最高销售收入: {best_sales_channel} (销售收入={channel_summary.loc[best_sales_channel, '销售收入']:,.0f})")
print(f" 最高整体转化率: {best_conversion_channel} (转化率={channel_summary.loc[best_conversion_channel, '整体转化率']:.4f}%)")
print(f"\n💡 【渠道评价】")
for channel in ['渠道 1', '渠道 2', '渠道3']:
roi = channel_summary.loc[channel, 'ROI']
conv = channel_summary.loc[channel, '整体转化率']
if roi > 100 and conv > 0.15:
rating = "⭐⭐⭐ 优质渠道"
elif roi > 50:
rating = "⭐⭐ 良好渠道"
else:
rating = "⭐ 需优化"
print(f" {channel}: {rating}")
print(f" - ROI: {roi:.2f}, 整体转化率: {conv:.4f}%")
print(f"\n📝 【优化建议】")
print(f" 1. 建议加大对{best_roi_channel}的投放预算")
print(f" 2. 分析{best_sales_channel}的高收入原因，复制到其他渠道")
print(f" 3. 关注渠道间的转化率差异，针对性优化漏斗各环节")
================================================================================
营销渠道效果分析报告
================================================================================
📊 【总体概览】
总销售收入: 32,102,476 元
总花费: 176,876 元
总体ROI: 181.50
🏆 【各维度最佳渠道】
最高ROI: 渠道 1 (ROI=204.76)
最高销售收入: 渠道 1 (销售收入=13,035,807)
最高整体转化率: 渠道 1 (转化率=0.1558%)
💡 【渠道评价】
渠道 1: ⭐⭐⭐ 优质渠道
- ROI: 204.76, 整体转化率: 0.1558%
渠道 2: ⭐⭐ 良好渠道
- ROI: 170.89, 整体转化率: 0.1452%
渠道3: ⭐⭐ 良好渠道
- ROI: 166.35, 整体转化率: 0.1451%
📝 【优化建议】
1. 建议加大对渠道 1的投放预算
2. 分析渠道 1的高收入原因，复制到其他渠道
3. 关注渠道间的转化率差异，针对性优化漏斗各环节