#对电商数据进行研究，先切换包，设置图表，为下一步的数据分析做准备。 　　

　　%matplotlib内联 　　

　　进口熊猫作为pd 　　

　　将matplotlib.pyplot作为plt导入 　　

　　将numpy作为np导入 　　

　　#图表大小设置，不知道复制和粘贴方法的名称。set_option()和。rcParams()，发背景问题。 　　

　　PD . set _ option(' expand _ frame _ repr '，True) 　　

　　PLT . RC params[' figure . fig size ']=(15，5) 　　

　　pd.set_option('display.width '，5000) 　　

　　PD . set _ option(' display . max _ columns '，60) 　　

　　摘要 　　

　　在本模块中，我们将下载淘宝影音电器类目下的麦克风/话筒数据，保存为CSV文件。 　　

　　我们每次下载一个月的数据，然后分析一个月内麦克风/话筒的流量和转换情况。如果引入淘宝卖麦克风/有交易的麦克风的商家数据，就可以估算出开店的话平均可以获得的流量和日营收。 　　

　　5.1 下载一个月的电商数据 　　

　　在处理电商数据的时候，我想分析一下淘宝卖的麦克风和话筒的数据，淘宝占电商市场的58%。通过对一个月内麦克风/话筒流量、转换、单价变化等数据的了解，来判断视听电器这个品类是否值得切入。于是，我从仙宇租了一本商务顾问视听类专业版，上了商务顾问的行情专栏，用阿明工具下载了下个月麦克风/话筒行情的交易数据。 　　

　　以下是导入的电商数据。我们使用dropna方法来丢弃CSV文件中的空值。 　　

　　我们来看看近一个月来麦克风销售单价的变化。 　　

　　在处理的过程中，发现所有的数据都是对象类型，没有转换成浮点类型。(在转换中还发现，数量 　　

在处理麦克风/话筒的数据时，我想通过比对一个月客单价的变化趋势，来判断一个月麦克风平均销售单价的变化。

小tips：在使用图表的时候，一定要注意刻度对数据对影响。

所有电商数据获取，是我租了一个生意参谋。如果想要这些电商类目数据，可以后台留言给我。

我们先对数据进行个梳理理解。

e_commerce.columnse_commerce.index

Index(['类目名', '日期', '搜索人数', '搜索次数', '访客数', '浏览量', '收藏人数', '收藏次数', '加购人数', '加购次数', '支付人数', '交易金额', '客单价', '支付转化率'], dtype='object')RangeIndex(start=0, stop=33, step=1)

我们可以看到总共包含十四个列。分别包含固有属性数据标签、行为数据标签和再加工运算数据标签。

我们试着来逐一理解。

类目名和日期，这是淘宝在影音类目下的麦克风/话筒这个二级类目一个月的交易数据。当然，如果店家因为各种原因，它的商品在后台上架的时候没有挂到这个麦克风/话筒类目下，那么它的数据是没有记录在这里面的。其实这样的情况较少出现，除非是一些新产品淘宝自己都归类不清晰，如车载音乐U盘，才会出现不同类目下都会有数据。

其他行为数据标签，可以根据电商万能公示拆解。

流量*转化*价格 = 收入

这个公式的局限性就是没有引入时间这个纬度，因为时间是有成本的。

也没有引入价值这个维度。因为价值决定着流量是否精准，转化人群对价值的主观判断决定着价格的高低。

搜索人数属于流量侧。重点考虑数据精度大小。麦克风这个类目搜索人数主要以目标人群搜索麦克风及麦克风相关词这类行为来确定，也有其他标签来确定搜索人数。（淘宝对每个用户打的个人标签有上万个）

搜索次数也属于流量侧。仔细观察会发现搜索次数大于搜索人数，这也间接证明一个用户会用好几个关键词搜索。所以搜索次数/搜索人数，可以近似估价为用户使用关键词平均个数。

在这里对数据进行了清洗，先清除特殊字符，然后转化为float格式。

然后看一下平均每个人使用关键词搜索次数。

5.2 交易金额变化情况及转化率

我们看看交易金额随着时间变化的情况，看是否有异常值。这里仅仅是为了体验一下pandas的神奇之处。

同时我们也计算了一下转化率，便于和其他产品的转化率做对比。

5.3 看看周几转化最好，为投关键词作准备

接下来，我们需要把日期转化为星期，然后对星期几的访客人数及付款人数做分析，确定投放关键词的时间。

全部完成！

这节课重点还是对电商数据的寻找和导入，并且了解一些基础清洗方法。更多关于电商的数据分析还需要业务的沉淀和思考。