pandas 用户购买行为分析

看过来

《pandas 教程》持续更新中，提供建议、纠错、催更等加作者微信: gr99123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。跟作者学习，请进入 Python学习课程。欢迎关注作者出版的书籍：《深入浅出Pandas》和《Python之光》。

在业务分析中，了解谁是你的“最有价值客户（VIP）”是非常关键的。我们可能有一份用户的购买明细表，其中包含用户 ID、订单金额、购买日期等字段。通过 pandas，我们可以非常快速地实现客户分组汇总、计算消费指标，并找出最活跃或最高消费的前几位用户。

这篇文章将带你一步步用到三个非常常用的 pandas 方法：

groupby() —— 按用户分组计算指标
agg() —— 多指标聚合（如总消费、平均单次金额、购买次数）
nlargest() —— 快速找出表现最突出的用户

读完本篇，你将掌握如何编写一个完整的用户价值分析逻辑。

数据与需求

我们有一份购买明细数据，包括用户、商品和消费金额。
下面是示例数据（字符串形式提供）：

import pandas as pd
from io import StringIO

data = StringIO("""
user_id,order_id,amount,date
U001,1001,120.5,2024-11-01
U002,1002,89.9,2024-11-02
U001,1003,300.0,2024-11-05
U003,1004,50.0,2024-11-05
U002,1005,200.0,2024-11-06
U001,1006,180.0,2024-11-07
U004,1007,400.0,2024-11-07
U003,1008,130.0,2024-11-08
U002,1009,99.9,2024-11-08
U005,1010,250.0,2024-11-09
""")

df = pd.read_csv(data)

需求描述：

我们希望从这份数据中分析出每位用户的购买表现，包括：

总消费金额（total_amount）
平均订单金额（avg_amount）
购买次数（order_count）

然后找出消费金额最高的前 3 位用户，作为我们的重点客户。

思路

思路如下：

使用 groupby('user_id') 按用户分组。
使用 .agg() 同时计算多个统计指标。
新增一个指标“平均客单价”，便于横向比较。
用 nlargest(3, 'total_amount') 选出消费总额最高的前 3 位用户。

参考代码

代码如下：

result = (
    df
    .groupby('user_id', as_index=False)
    .agg(
        total_amount=('amount', 'sum'),
        avg_amount=('amount', 'mean'),
        order_count=('order_id', 'count')
    )
    .nlargest(3, 'total_amount')
    .sort_values('total_amount', ascending=False)
)

print(result)

输出结果：

  user_id  total_amount  avg_amount  order_count
0    U001         600.5  200.166667            3
1    U004         400.0  400.000000            1
2    U002         389.8  129.933333            3

代码分析：

.groupby('user_id')：将数据按用户聚合。
.agg({...})：同时计算多个统计指标（总和、均值、计数），结果自动组成新列。
.nlargest(3, 'total_amount')：快速取出消费总额最高的 3 位用户。
.sort_values()：对结果排序输出，更直观地展示谁是头部客户。

这种写法清晰、简洁，且可扩展性强——只需在 .agg() 中加更多统计项即可。

应用场景：

电商：找出高消费或高频购买客户
SaaS 平台：分析订阅用户的使用量
金融业务：筛选高价值投资人
内容平台：识别高活跃用户

（完）

pandas 用户购买行为分析

数据与需求

思路

参考代码

相关内容