电商数据可视化分析（Python）||电商API接口数据采集

数据分析电商数据采集API接口及应用

目录

1.项目背景

2.数据集介绍

3.技术工具

4.导入数据

5.数据可视化

5.1分析性别比例

5.2年龄分布

5.3购物种类分析

5.4产品型号分析 

5.5其他分析

6.总结

1.项目背景

        随着现代电子商务的飞速发展，顾客购物数据量也在飞速增长。这些数据包含了丰富的信息，如消费者的购买习惯、喜好、趋势等。然而，如何有效地处理和利用这些数据，使其为商业决策提供有价值的洞见，成为了一个重要的问题。为此，通过数据可视化技术，将复杂的数据转化为直观、易理解的图形，可以帮助企业更好地理解市场和消费者行为，进一步优化商业决策。

        顾客购物数据的可视化具有广泛的应用场景。例如，商家可以通过对顾客的购买历史进行分析，了解顾客的购买习惯和喜好，从而为他们推荐更符合其需求的产品或服务。此外，商家还可以通过数据可视化来识别销售趋势，预测未来的销售情况，从而制定更有效的销售策略。

        本项目旨在通过数据可视化技术，对顾客购物数据进行深入挖掘和分析，为商家提供全面的市场分析和商业洞察。通过使用先进的数据可视化工具和技术，我们将从大量的顾客购物数据中提取有价值的信息，并通过直观的图形展示出来，帮助商家更好地理解市场和消费者行为，优化商业决策。

2.数据集介绍

该数据集来源于kaggle，原始数据集共有3900条，18个特征变量，各变量含义解释如下：

Customer ID- 每个客户的唯一标识符

Age- 顾客的年龄

Gender- 顾客的性别（男/女）

Item Purchased- 客户购买的商品

Category- 购买商品的类别

Purchase Amount (USD)- 以美元计的购买金额

Location- 购买地点

Size- 购买商品的尺寸

Color- 购买商品的颜色

Season- 购买的季节

Review Rating- 客户对所购买商品的评分

Subscription Status- 指示客户是否有订阅（是/否）

Shipping Type- 客户选择的运输类型

Discount Applied- 指示购买时是否应用折扣（是/否）

Promo Code Used- 指示购买时是否使用了促销代码（是/否）

Previous Purchases- 客户先前购买的次数

Payment Method- 客户最喜欢的付款方式

Frequency of Purchases- 客户购买的频率（例如每周、每两周、每月）

3.技术工具

Python版本:3.9

代码编辑器：jupyter notebook

4.导入数据

首先导入本次实验用到的可视化第三方库，并加载数据集

1. import matplotlib.pyplot as plt

2. data=pd.read_csv("shopping_trends_updated.csv")

接着查看一下数据集的基本信息

1. print(f'data shape : {data.shape}')

2. sum=pd.DataFrame(data.dtypes,columns=['data type'])

3. sum["Missing"]=data.isnull().sum()

4. sum["%Missing"]=(data.isnull().sum()/len(data))*100

5. sum['#unique']=data.nunique().values

6. desc=pd.DataFrame(data.describe(include="all").transpose())</