紐約時報廣告數據分析（二）

來自專欄數據分析路

本篇是廣告分析的第二篇 是針對一個月整個數據集進行時間序列分析

集合數據

#動態生成對應的數據框 for i,s in enumerate(path,start=1): locals()[df+str(i)] = pd.read_csv(s) #對每個數據框建立對應日期欄位for i in range(1,31): locals()[df+str(i)][date] = i #所有數據框合併成一個result = df1for i in range(2,31): result = result.append(locals()[df+str(i)])

然後對其簡單的EDA

集合之後，有1446W行數據。。。。

時間序列分析

result.query(Impressions != 0).groupby(date).Impressions.count().sort_values()

發現 20號 27號 6號 13號 這四天的廣告投放量極其之高。

result.query(Clicks != 0).groupby(date).Impressions.count().plot(figsize=(10,10))

result.query(Clicks != 0).groupby(date).Clicks.count().plot(figsize=(10,10))

clic = result1.pivot_table(index=date,values=[Impressions,Clicks],aggfunc={Impressions:sum,Clicks: sum})clic[rate] = clic[Clicks]/clic[Impressions]clic.rate.plot(figsize=(10,10))

14號之後 廣告點擊轉化率提高了10%

用戶行為時間分析

result2 = result.query((Impressions != 0)& (Signed_In != 0))gourp_od = result1.pivot_table(index=[date,Age_group],values=[Impressions,Clicks],aggfunc={Impressions:sum,Clicks: sum}).reset_index()gourp_od[rate] = gourp_od[Clicks]/gourp_od[Impressions]gourp_od.groupby(Age_group).rate.plot(figsize=(10,10))plt.legend(loc = upper right)

fff = result2.pivot_table(index=[date,Gender],values=[Impressions,Clicks],aggfunc={Impressions:sum,Clicks: sum}).reset_index()fff[rate] = fff[Clicks]/fff[Impressions]fff.groupby(Gender).rate.plot()plt.legend(loc = upper right)

後感

本篇自己也覺得是忙忙碌碌做的，這幾天到處奔波，好不容易消停了，想著把這廣告分析快點完工。所以做的時候覺得比較迷茫沒什麼目的，不像第一篇比較有目的性，目標清晰很多，而且今次聚合了30天的數據，1446W條數據，跑起來幾次卡機，可能做得不怎麼爽。不過今次也沒去想去規劃好分析的目標，就遇上了大型數據，做起來好吃力。

下次做分析，一定要理清數據情況，明確清晰分析的目標，不然又像這篇做得比較馬虎。

推薦閱讀：