简介
如今，企业有能力收集大量的数据。这些数据可以帮助企业制定更好的策略并了解其客户的行为。在这一点上，Cohort分析就发挥作用了。Cohort分析是一种了解客户行为或用户互动的强大工具，并为企业提供有价值的见解。在本文中，将学习如何使用Python进行Cohort分析。
Cohort分析
Cohort分析是一种经常在市场营销、客户忠诚度、用户体验和产品开发等领域使用的数据分析技术。通过这种分析方法，我们可以详细了解特定时期内人群或群体的行为。Cohort用于识别具有相似特征或经历的人群或群体。
例如，对于电子商务业务，可以使用Cohort分析来监测不同的群体，比如客户群体、来自特定地区的群体或偏好特定产品类别的群体。通过这种分析，我们可以研究特定群体在一段时间内的行为和倾向。
应用Cohort分析
本文需要两个特征。这两个特征是客户ID和订单日期。本文的目标是查看我们能够保留多少客户，并在其首次到达日期后的每个月基础上保留多长时间。
本文想要的特征包含在一个单独的表中。因此，在查询过程中，不需要从其他表中提取属性。然而，为了举例说明，假设本文将在两个表上工作，接下来使用MS SQL中的JOIN获取本文想要的特征。
SELECT * FROM ORDERS
SELECT * FROM USERS
SELECT U.ID, O.DATE_ FROM USERS U JOIN ORDERS O ON U.ID= O.ID
本文通过JOIN从USERS和ORDERS表中调用具有相同ID值的属性。现在，为了在Python中进行分析，本文将访问该数据库，在其中运行我们的查询，并将数据作为数据帧在我们的操作中使用。
首先，导入本文所需要的库。
import pandas as pd
import sqlalchemy as sa
import urllib
from datetime import datetime
在第二步中，本文使用urllib.parse.quote_plus函数来保护连接字符串免受环境因素的影响，并将连接信息写入这个将用于连接SQL Server数据库的字符串中。
params = urllib.parse.quote_plus("DRIVER={SQL Server};"
"SERVER=DESKTOP-F3H252;"
"DATABASE=E-COMMERCE;")
注：如果不知道服务器名称，可以通过查询"SELECT @@SERVERNAME"来找到它。
接下来，本文使用"SQLAlchemy (sa)"库创建与SQL Server数据库的连接。使用"sa.create_engine"函数，我们可以利用连接字符串和其他连接设置创建一个链接引擎。"odbc_connect"参数用于ODBC连接，并包含之前转换的连接字符串。
engine = sa.create_engine("mssql+pyodbc:///?odbc_cnotallow={}".format(params))
在下一步中，本文将创建一个SQL查询。我们使用查询"SELECT U.ID, O.DATE_ FROM USERS U JOIN ORDERS O ON U.ID= O.ID"来获取我们想要的特征。
qry ="SELECT U.ID, O.DATE_ FROM USERS U JOIN ORDERS O ON U.ID= O.ID"
我们通过"engine"对象建立数据库连接，并在"with"代码块中使用该连接。这将自动关闭连接。我们使用"con.execute(qry)"运行SQL查询并获取结果集（rs）。最后，我们将结果集转换为Pandas DataFrame。
with engine.connect() as con:
rs = con.execute(qry)
df = pd.DataFrame(rs)
我们知道没有缺失数据，但在这一点上，让我们检查并消除它。
df.isnull().sum()
ID 0
DATE_ 0
dtype: int64
由于我们将按月进行工作，所以小时数对我们来说并不重要，所以我们首先要删除小时数，然后再删除天数。首先，我们将日期列（DATE_）转换为日期时间格式，然后只获取日期。
df['DATE_'] = pd.to_datetime(df['DATE_'])
df['DATE_'] = df['DATE_'].dt.date
本文的下一步行动是删除天数。接下来为此定义一个lambda函数。希望保留年份和月份的值。datetime(x.year, x.month, 1)将使用年份和月份信息创建一个新的日期对象，其中包含该月的第一天。
get_year_month = lambda x: datetime(x.year, x.month, 1)
接下来使用这个函数创建一个新的变量，并将新数据存储在'DATE_MONTH'列中。
df['DATE_MONTH'] = df['DATE_'].apply(get_year_month)
现在，本文将根据客户ID对要执行的流程进行分组，并通过创建'COHORT_MONTH'变量在这一列中保留每个客户的首次到达日期。
user_first_date = df.groupby('ID')['DATE_MONTH']
df['COHORT_MONTH'] = user_first_date.transform('min')
当我们查看所获得的值时，如果对第一个订单日期和其他订单日期进行评估，就可以很容易地找到差异。我们可以通过创建一个新的'COHORT_INDEX'变量，将差异保留在这一列中。
years_diff = df['DATE_MONTH'].dt.year - df['COHORT_MONTH'].dt.year
months_diff = df['DATE_MONTH'].dt.month -df['COHORT_MONTH'].dt.month
df['COHORT_INDEX'] = years_diff * 12 + months_diff + 1
接下来计算每个首次到达日期的活跃客户的月度数量。通过分组，本文创建了一个名为cohort_data的数据帧，其中包含了每个月首次到达的唯一客户数量。
grouping_count = df.groupby(['COHORT_MONTH', 'COHORT_INDEX'])
cohort_data = grouping_count['ID'].apply(pd.Series.nunique)
cohort_data = cohort_data.reset_index()
cohort_data.head()
本文将cohort_data数据帧整理到数据透视表中，并创建一个名为cohort_user_counts的新数据帧。该数据帧将包含每个群体的月活跃客户数量。
本文将计算每个客户的活跃百分比。通过将每个月群体中的客户数除以初始客户数来实现此目的。
cohort_sizes = cohort_user_counts.iloc[:,0]
retention = cohort_user_counts.divide(cohort_sizes, axis=0)
retention.index = retention.index.strftime('%m-%Y')
最后，本文将在热图上可视化retention数据帧。
sns.set(style = 'white')
plt.figure(figsize = (15, 6))
plt.title('Cohort: Retention rate by month')
sns.heatmap(
retention
,cmap = plt.cm.Reds
,annot = True
,fmt = '.0%'
)
plt.xlabel("Ongoing months"
plt.ylabel("First arrival date")
plt.show()
如上所述，图表中的百分比表达的是活跃率。从中可以推断出的内容应该回答了我们可以保留客户多长时间的问题。
在这篇文章中，我们提到了Cohort分析，并制作了一个可以轻松使用的应用程序。
本文内容不用于商业目的，如涉及知识产权问题，请权利人联系51Testing小编(021-64471599-8017)，我们将立即处理
