1. 项目概述：用Pandas+Plotly做数据可视化，不是画图，是让数据开口说话

“Data Visualisation using Pandas and Plotly”这个标题看起来平平无奇，像极了某门网课的章节名——但如果你真把它当成“学几个plot函数就完事”的入门练习，那接下来三个月你大概率会反复打开Jupyter Notebook，对着空荡荡的图表发呆：数据加载成功了，折线也画出来了，可老板问“上个月销量下滑到底卡在哪个环节”，你只能指着Y轴说“这里低了”。这不是技术问题，是思维断层。我带过27个数据分析岗新人，90%卡在同一个地方：把可视化当成绘图工具，而不是数据推理的延伸界面。Pandas负责把原始数据拧成逻辑清晰的结构化事实，Plotly则把这种结构翻译成人眼能瞬间捕捉的视觉语法——比如用颜色深浅表达区域渗透率差异，用悬停交互暴露单点异常值，用动画帧展示时间维度上的拐点迁移。它不追求“好看”，而追求“一瞥即懂”。适合谁？刚转行的数据分析初学者、需要快速产出业务看板的产品经理、被Excel图表折磨到失眠的运营同学，甚至想给论文加点动态效果的研究生。关键不在代码多炫，而在你能否在3秒内让同事指着屏幕说“哦！原来问题出在这里”。这背后藏着三重能力：Pandas的数据整形直觉（不是查文档拼df.groupby，而是预判聚合后该保留哪些索引层级）、Plotly的视觉映射意识（知道什么时候该用散点图的size参数编码第三维，而不是硬塞进颜色），以及最关键的——对业务场景的具象化理解（比如“用户流失预警”不是画个折线图，而是把留存率、次日启动间隔、功能使用深度三个指标压缩进一个可缩放的气泡矩阵）。下面我们就从真实项目现场拆解：怎么让这两套工具真正咬合，而不是各自为政。

2. 核心设计思路：为什么非得是Pandas+Plotly组合？绕开Matplotlib的思维陷阱

2.1 选型背后的底层逻辑：从“静态快照”到“交互式推理界面”

很多人问：“Matplotlib不是更基础吗？学它不更稳妥？”——这话放在2015年没错，但今天再这么想，等于用算盘思维操作Excel。Matplotlib的本质是绘图引擎，它的API设计哲学是“我提供画布和笔，你决定每条线怎么落笔”。所以你会看到大量plt.subplot()、ax.set_xlabel()这类命令式操作，写10行代码可能只为了调一个坐标轴字体大小。而Plotly的设计原点完全不同：它是数据驱动的可视化框架。你告诉它“这是我的数据表，X轴是日期，Y轴是销售额，颜色按地区分”，它自动推导出最优图表类型、坐标轴范围、交互行为（比如默认开启悬停提示）。这种差异直接决定了工作流效率：用Matplotlib画一个带筛选器的销售看板，你要手动写回调函数、绑定事件、重绘画布；用Plotly，一行px.line(df, x='date', y='sales', color='region', hover_data=['product'])就能生成带悬停、缩放、下载按钮的完整交互图。但这还不是全部。真正的杀招在于Pandas与Plotly的数据契约天然契合。Pandas的DataFrame本身就是二维表格结构，而Plotly所有高级图表（px.scatter,px.bar,px.treemap）的输入参数都明确要求data_frame参数，且内部直接解析DataFrame的列名、数据类型、缺失值状态。我试过把同一份销售数据分别喂给Matplotlib和Plotly：Matplotlib需要先用df.groupby('region')['sales'].sum().plot(kind='bar')，再手动设置xticks旋转角度防止标签重叠；Plotly只需px.bar(df, x='region', y='sales')，它自动处理分类轴排序、长文本换行、数值格式化。这种“少写代码=少出错”的优势，在需要快速迭代业务需求时就是生死线。

2.2 绕不开的Pandas预处理：可视化质量80%取决于数据整形

新手常犯的致命错误是：跳过Pandas直接冲向Plotly。结果就是图表画出来了，但老板第一句就问：“这个‘其他’类别里到底包含什么？”——因为原始数据里有200多个小众品牌，Pandas没做归并，Plotly只好把它们全塞进图例。可视化不是数据的终点，而是数据清洗的验收测试。真正高效的流程永远是：Pandas整形 → Plotly渲染 → 业务验证 → Pandas修正 → Plotly重绘。举个血泪案例：去年帮电商团队做复购率分析，原始订单表有千万级记录，包含user_id,order_date,product_category,amount。如果直接px.line(df, x='order_date', y='amount')，得到的是一团无法解读的毛线图。必须先用Pandas完成三步手术：

1. 时间切片：df['order_date'] = pd.to_datetime(df['order_date'])，否则Plotly会把日期当字符串排序；
2. 聚合降维：df_daily = df.groupby(df['order_date'].dt.date)['amount'].sum().reset_index()，把千万行压成365行；
3. 业务标注：df_daily['is_promotion'] = df_daily['order_date'].apply(lambda x: 1 if x in promotion_dates else 0)，为后续添加促销标记埋点。
   这三步做完，Plotly才能发挥威力：px.line(df_daily, x='order_date', y='amount', color='is_promotion', markers=True)。注意markers=True这个参数——它让每个数据点变成可点击的圆点，悬停时显示具体日期和金额，这才是业务人员真正需要的“钻取能力”。绕过Pandas预处理，等于让Plotly在沼泽地里开车，再好的引擎也跑不快。

2.3 Plotly的不可替代性：交互不是锦上添花，而是核心生产力

有人觉得“交互功能用不上，公司内网不让联网”。这种认知停留在2018年。Plotly的交互能力早已超越“鼠标悬停”这种表层功能，深入到分析范式重构层面。最典型的例子是px.treemap（树状图）。假设你要分析APP功能使用深度：一级是模块（首页、购物车、个人中心），二级是子功能（首页→搜索框、首页→轮播图、购物车→结算按钮）。用传统饼图，你最多看到各模块占比；用树状图，面积大小代表使用时长，颜色深浅代表跳出率，点击任意区块能自动下钻到子功能层。这个能力背后是Plotly对Pandas层级索引（MultiIndex）的原生支持。我实测过：把df.set_index(['module', 'sub_function'])后的数据传给px.treemap，它自动识别索引层级并生成可交互树状结构。而Matplotlib要实现同样效果，得手动计算每个区块坐标、写递归绘制函数、绑定点击事件——这已经不是可视化，是开发小型应用了。另一个常被低估的能力是动画时间轴。比如分析用户生命周期价值（LTV），你需要看不同注册月份的用户，其30天/60天/90天留存率如何变化。用px.line(df, x='days_since_register', y='retention_rate', animation_frame='cohort_month')，Plotly自动生成带播放控件的时间序列动画。业务方拖动滑块就能直观看到：2023年Q4新用户在第45天出现明显留存拐点，而Q1用户在第30天就断崖下跌。这种动态洞察，静态图表永远做不到。所以别再说“交互用不上”，当你需要向非技术人员解释复杂趋势时，那个能暂停、回放、放大细节的动画，就是最有力的说服工具。

3. 核心细节解析：Pandas数据整形的5个关键动作与Plotly参数精解

3.1 Pandas数据整形：5个决定图表成败的预处理动作

3.1.1 时间字段标准化：别让日期成为图表的隐形杀手

时间类数据是可视化事故高发区。我见过最离谱的案例：销售报表里order_time列存储的是字符串"2023-01-01 14:30:22"，直接传给Plotly后，X轴显示为乱码字符。正确姿势分三步走：
第一步：强制类型转换

# 错误示范：df['order_time'] = df['order_time'].astype('datetime64[ns]') # 正确做法：用pd.to_datetime()并捕获异常 df['order_time'] = pd.to_datetime(df['order_time'], errors='coerce') # errors='coerce'会把无法解析的值转为NaT（Not a Time），避免报错中断

第二步：提取业务时间粒度

# 按日聚合：df['order_date'] = df['order_time'].dt.date # 按周聚合（周一为起点）：df['order_week'] = df['order_time'].dt.to_period('W-MON') # 按月聚合：df['order_month'] = df['order_time'].dt.to_period('M') # 注意：to_period()返回Period类型，Plotly能自动识别并按时间顺序排序

第三步：处理时区与缺失值

# 如果数据含时区（如'2023-01-01 14:30:22+08:00'），统一转为UTC再本地化 df['order_time_utc'] = pd.to_datetime(df['order_time']).dt.tz_localize('UTC') df['order_time_beijing'] = df['order_time_utc'].dt.tz_convert('Asia/Shanghai') # 缺失值处理：Plotly会自动忽略NaT，但需确认是否影响业务逻辑 print(f"时间字段缺失率：{df['order_time'].isna().mean():.2%}") # 若缺失率>5%，需业务方确认是否补零或前向填充

提示：永远在Pandas中完成时间标准化，不要依赖Plotly的xaxis_type='date'参数。后者仅影响显示格式，无法修复类型错误导致的排序混乱。

3.1.2 分类字段优化：让图例不再成为阅读障碍

分类字段（如产品名称、地区、用户等级）常因取值过多导致图表崩溃。Plotly默认将所有唯一值加入图例，当product_name有500个值时，图例会撑满整个屏幕。解决方案是Pandas端的主动治理：

# 方案1：高频词TOP-N + 其他合并 top_products = df['product_name'].value_counts().head(10).index df['product_group'] = df['product_name'].apply(lambda x: x if x in top_products else '其他') # 方案2：按业务逻辑分组（推荐） product_mapping = { 'iPhone 14 Pro': '高端旗舰', 'iPhone 13': '主力机型', 'iPad Air': '平板系列', 'MacBook Pro': '笔记本系列' } df['product_category'] = df['product_name'].map(product_mapping).fillna('其他') # 方案3：数值型分箱（如价格区间） df['price_range'] = pd.cut(df['price'], bins=[0, 3000, 6000, 10000], labels=['低端', '中端', '高端'])

关键点在于：分组逻辑必须由业务方确认，而非算法自动生成。我曾用KMeans对商品价格聚类，结果把“99元充电宝”和“9999元MacBook”分到同一档，被产品总监当场叫停。Pandas的map()和cut()函数就是你的业务翻译器，把原始数据映射成可解释的业务语言。

3.1.3 数值字段清洗：异常值不是噪声，是待解读的信号

数值字段的异常值处理，新手常犯两个极端：要么全删（丢失关键线索），要么全留（图表失真）。正确策略是分层处理：

# 第一层：识别明显错误（如负数销量、超大金额） df = df[(df['sales'] > 0) & (df['sales'] < 100000)] # 假设单笔订单不超过10万 # 第二层：业务定义的异常（需与业务方对齐） # 例如：单日销量>均值3倍标准差，标记为'促销活动' mean_sales = df['sales'].mean() std_sales = df['sales'].std() df['is_promotion_day'] = (df['sales'] > mean_sales + 3 * std_sales).astype(int) # 第三层：保留原始数据用于下钻分析 # 创建新列存储清洗后数据，原始列保留 df['sales_clean'] = df['sales'].clip(lower=0, upper=100000) # clip()比布尔索引更安全，不丢行

Plotly的优势在于：你可以同时可视化原始数据和清洗数据。比如用px.scatter(df, x='date', y='sales', color='is_promotion_day')，红色点自动标出异常日，悬停查看具体数值，这就是“异常值可视化”而非“删除异常值”。

3.1.4 多表关联整合：一张图背后是三张表的协同

真实业务数据永远分散在多张表。比如分析用户留存，需要：

• 用户表（user_id, register_date）
• 行为表（user_id, event_date, event_type）
• 订单表（user_id, order_date, amount）
  新手常试图用Plotly分别画三张图，结果老板问“下单用户和活跃用户的重合度是多少”，当场卡壳。正确解法是Pandas的merge()和pivot_table()：

# 步骤1：构建用户生命周期宽表 user_life = users.merge( behaviors.groupby('user_id')['event_date'].min().rename('first_active_date'), on='user_id', how='left' ).merge( orders.groupby('user_id')['order_date'].min().rename('first_order_date'), on='user_id', how='left' ) # 步骤2：计算关键指标（留存、转化等） user_life['day0_retention'] = (user_life['first_active_date'] == user_life['register_date']).astype(int) user_life['conversion_rate'] = (user_life['first_order_date'].notna()).astype(int) # 步骤3：透视成分析矩阵 cohort_analysis = user_life.pivot_table( index='register_month', columns='cohort_day', # 如'0','1','7','30'天 values='retention_rate', aggfunc='mean' ) # 此时cohort_analysis是DataFrame，可直接喂给px.imshow()画热力图

注意：Plotly的px.imshow()专为矩阵数据设计，比用px.scatter模拟热力图更高效，且支持行列标签自动对齐。

3.1.5 空值与重复值：可视化前的最后防线

空值和重复值看似简单，却常引发连锁反应。比如px.line()遇到Y轴空值，会自动断开线条，导致趋势图出现诡异缺口；重复的date值会让px.bar()柱子叠加变粗。处理原则是：空值显式声明，重复值业务判定。

# 空值处理（根据字段语义选择策略） df['revenue'].fillna(0, inplace=True) # 收入为空=0收入 df['category'].fillna('未知', inplace=True) # 分类为空=未知类别 # 但时间字段空值不能填，应删除或标记 df = df.dropna(subset=['order_time']) # 重复值检查（重点查复合主键） duplicate_cols = ['user_id', 'order_date', 'product_id'] duplicates = df.duplicated(subset=duplicate_cols, keep=False) print(f"重复订单数：{duplicates.sum()}") # 业务决策：是合并数量（sum）还是去重（drop_duplicates）？ # 通常订单表重复=系统bug，应报警而非自动处理

记住：Pandas的info()和describe()是你的可视化前哨站。每次画图前运行df.info()，确保所有字段类型正确；运行df.describe(include='all')，一眼看出分类字段唯一值数量、数值字段分布范围——这比盯着Plotly报错信息高效十倍。

3.2 Plotly参数精解：10个改变图表命运的核心参数

3.2.1hover_data：让悬停成为你的第二张图表

hover_data是Plotly最被低估的参数。它不只是显示额外信息，而是扩展图表的信息维度。比如分析销售地域分布：

# 基础地图 fig = px.choropleth(df, locations='country_code', color='sales') # 加入hover_data，悬停时显示多维信息 fig = px.choropleth( df, locations='country_code', color='sales', hover_data=['country_name', 'sales', 'avg_order_value', 'new_users_count'] )

效果：鼠标悬停美国区块，弹窗显示“United States | $2.4M | $89.5 | 12,450”。这相当于在单点位置嵌入了一个微型数据透视表。更妙的是，hover_data支持计算字段：

df['sales_per_user'] = df['sales'] / df['user_count'] fig = px.choropleth(df, locations='country_code', color='sales', hover_data=['sales_per_user': ':.2f']) # ':.2f'控制小数位

实操心得：永远把业务最关心的3个指标放进hover_data，而不是堆砌所有字段。我测试过，悬停信息超过5项时，用户注意力会分散。优先级排序：核心指标 > 对比基准 > 异常标识。

3.2.2facet_col与facet_row：用分面替代堆叠，让多维对比一目了然

当需要对比多个维度（如不同产品线、不同地区、不同时间段）时，新手习惯用color参数堆叠，结果图例爆炸。facet_col/facet_row提供更优雅的解法：把多维对比转化为网格布局。

# 错误：用color区分产品线，图例挤满屏幕 px.line(df, x='date', y='sales', color='product_line') # 正确：用facet_col分面，每列一个产品线 px.line(df, x='date', y='sales', facet_col='product_line', facet_col_wrap=3)

facet_col_wrap=3表示每行最多3列，自动换行。效果是生成3×N的图表矩阵，每个子图独立坐标轴，避免量纲差异导致的视觉误导。更强大的是组合使用：

# 按产品线分列，按地区分行 px.line(df, x='date', y='sales', facet_col='product_line', facet_row='region')

此时你得到的是一个二维分析矩阵，业务方可以横向对比各产品线趋势，纵向对比各地区表现。这比任何堆叠图都更符合人脑的并行处理习惯。

3.2.3animation_frame：时间维度不是X轴，而是播放键

animation_frame让时间序列分析从“静态快照”升级为“动态推演”。关键是要理解：动画帧不是简单循环，而是业务逻辑的可视化表达。

# 基础动画：按月份推进 px.scatter(df, x='gdp_per_capita', y='life_expectancy', size='population', animation_frame='year', animation_group='country') # 进阶：用时间分组替代单一年份（解决数据稀疏问题） df['year_group'] = df['year'] // 5 * 5 # 每5年一组：2000,2005,2010... px.scatter(df, x='gdp_per_capita', y='life_expectancy', animation_frame='year_group', range_x=[0, 100000])

range_x固定坐标轴范围，避免动画过程中坐标轴跳动干扰观察。实测发现，当动画帧数>20时，建议用frame=dict(duration=300)延长每帧停留时间，否则业务方根本来不及读取信息。

3.2.4log_x与log_y：对数刻度不是炫技，是揭示隐藏规律

当数据跨度极大（如用户消费从1元到10万元），线性刻度会让小数值完全不可见。log_x/log_y参数就是你的放大镜：

# 线性刻度：90%的点挤在左下角 px.scatter(df, x='income', y='spending') # 对数刻度：呈现完整分布形态 px.scatter(df, x='income', y='spending', log_x=True, log_y=True)

但要注意：对数刻度要求数据严格>0。因此Pandas预处理时必须过滤：

df = df[(df['income'] > 0) & (df['spending'] > 0)]

更实用的技巧是结合marginal_x/marginal_y显示分布直方图：

px.scatter(df, x='income', y='spending', log_x=True, log_y=True, marginal_x='histogram', marginal_y='box')

这样右上角显示散点关系，下方显示收入分布，右侧显示支出分布，一次调用完成三维分析。

3.2.5trendline：内置回归线不是替代建模，而是快速假设检验

px.scatter(..., trendline='ols')能一键添加普通最小二乘回归线，但它真正的价值在于快速验证业务直觉。比如你怀疑“广告投入越多，销售额越高”，画个散点图加趋势线：

fig = px.scatter(df, x='ad_spend', y='sales', trendline='ols') # 获取斜率和R²，量化关系强度 results = px.get_trendline_results(fig) print(f"斜率：{results.iloc[0]['px_fit_results'].params[1]:.2f}") print(f"R²：{results.iloc[0]['px_fit_results'].rsquared:.3f}")

如果R²<0.3，说明线性关系很弱，该转向其他分析路径（如分段回归、引入交互项）。这比先写几十行statsmodels代码再画图高效得多。但切记：趋势线只是探索工具，正式报告需用专业统计模型。

3.2.6color_continuous_scale：配色不是审美选择，是信息编码规则

Plotly的连续色标（color_continuous_scale）直接影响信息解读效率。默认的Viridis虽科学，但业务方常抱怨“看不出深浅区别”。实战中我建立三原则：

1. 业务一致性：金融数据用红-绿（红=亏损，绿=盈利），温度数据用蓝-红（冷-热）；
2. 色盲友好：禁用红绿色系，改用plasma或cividis；
3. 对比度强化：用color_continuous_midpoint突出阈值。

# 例：用户满意度评分（0-100），60分为及格线 px.scatter(df, x='age', y='satisfaction', color='satisfaction', color_continuous_scale='RdYlGn', # 红黄绿 color_continuous_midpoint=60) # 60分处为黄色

效果：低于60分偏红，高于60分偏绿，60分附近黄色过渡，业务方一眼锁定风险人群。

3.2.7update_layout()：定制化不是锦上添花，是消除认知噪音

update_layout()是Plotly的终极武器，用于移除所有干扰业务解读的元素：

fig = px.line(df, x='date', y='sales') fig.update_layout( title='Q3销售趋势', xaxis_title='日期', yaxis_title='销售额（万元）', showlegend=False, # 单一线条无需图例 plot_bgcolor='white', # 白色背景更易打印 font=dict(size=12), xaxis=dict(showgrid=True, gridwidth=1, gridcolor='lightgray'), yaxis=dict(showgrid=True, gridwidth=1, gridcolor='lightgray') )

特别注意showlegend=False：当图表只有一条线时，图例纯属干扰。我统计过，去掉冗余图例、标题、边框后，业务方平均阅读时间缩短40%。

3.2.8range_slider与range_selector：时间图表的导航仪

对于长周期时间序列（如3年日销量），默认缩放体验极差。range_slider和range_selector提供专业级导航：

fig = px.line(df, x='date', y='sales') fig.update_layout( xaxis_rangeslider_visible=True, # 底部滑块 xaxis_rangebreaks=[dict(bounds=["sat", "mon"])] # 跳过周末 ) # 或用更高级的range_selector fig.update_xaxes( rangeselector=dict( buttons=list([ dict(count=1, label="1m", step="month", stepmode="backward"), dict(count=6, label="6m", step="month", stepmode="backward"), dict(count=1, label="YTD", step="year", stepmode="todate"), dict(step="all") ]) ) )

效果：图表顶部出现“1m/6m/YTD/All”按钮，业务方一键切换时间范围，比手动拖拽精准十倍。

3.2.9template：主题不是换肤，是统一企业视觉规范

template参数让图表风格与企业VI无缝对接：

# 定义企业模板（一次配置，全局生效） import plotly.graph_objects as go custom_template = go.layout.Template( layout=go.Layout( font=dict(family="Helvetica, Arial", size=12), title_font=dict(size=16, color="#2c3e50"), colorscale_sequential=px.colors.sequential.Tealgrn ) ) px.defaults.template = custom_template # 全局生效 # 后续所有px.*调用自动应用该模板 fig = px.bar(df, x='region', y='sales')

这比每次update_layout()手动设置高效得多，且保证所有图表风格一致，避免“同一份数据，不同人画出五种风格”的混乱。

3.2.10config：导出与交互的最终控制权

config参数决定图表如何交付给终端用户：

fig.show(config={ 'displayModeBar': True, # 显示工具栏（下载、缩放等） 'displaylogo': False, # 隐藏Plotly logo 'modeBarButtonsToAdd': [ 'drawline', 'drawopenpath', 'eraseshape' # 添加绘图工具 ], 'scrollZoom': True, # 允许滚轮缩放 'staticPlot': False # 禁用静态模式 })

关键配置：staticPlot=False确保交互功能可用；displayModeBar=True让业务方可自行下载PNG/SVG；scrollZoom=True提升长图表浏览体验。这些细节决定图表是“摆设”还是“生产力工具”。

4. 实操过程：从零构建电商用户行为分析看板（含完整代码与避坑指南）

4.1 数据准备：模拟真实电商场景的四张表

我们以电商用户行为分析为例，构建一个可落地的看板。真实场景中，数据分散在四张表：

• users.csv：用户基本信息（user_id, register_date, region, device_type）
• events.csv：用户行为日志（user_id, event_time, event_type, page_url）
• orders.csv：订单表（order_id, user_id, order_time, amount, product_category）
• products.csv：商品表（product_id, product_name, category, price）

为演示，我们用Pandas生成模拟数据（实际项目中替换为数据库查询）：

import pandas as pd import numpy as np import plotly.express as px import plotly.graph_objects as go from datetime import datetime, timedelta # 设置随机种子保证可重现 np.random.seed(42) # 生成10000个用户 n_users = 10000 users = pd.DataFrame({ 'user_id': range(1, n_users + 1), 'register_date': pd.date_range('2023-01-01', periods=n_users, freq='H'), 'region': np.random.choice(['华东', '华南', '华北', '西南'], n_users), 'device_type': np.random.choice(['iOS', 'Android', 'Web'], n_users, p=[0.4, 0.45, 0.15]) }) # 生成50万条行为日志 n_events = 500000 events = pd.DataFrame({ 'user_id': np.random.choice(users['user_id'], n_events), 'event_time': pd.date_range('2023-01-01', periods=n_events, freq='10S'), 'event_type': np.random.choice(['view_product', 'add_to_cart', 'checkout', 'purchase'], n_events, p=[0.6, 0.2, 0.15, 0.05]), 'page_url': np.random.choice(['/home', '/product/123', '/cart', '/checkout'], n_events) }) # 生成2万条订单 n_orders = 20000 orders = pd.DataFrame({ 'order_id': range(1, n_orders + 1), 'user_id': np.random.choice(users['user_id'], n_orders), 'order_time': pd.date_range('2023-01-01', periods=n_orders, freq='2H'), 'amount': np.random.lognormal(8, 0.5, n_orders), # 对数正态分布，模拟真实消费 'product_category': np.random.choice(['手机', '电脑', '配件', '数码'], n_orders) }) # 生成商品表 products = pd.DataFrame({ 'product_id': range(1, 101), 'product_name': [f'Product_{i}' for i in range(1, 101)], 'category': np.random.choice(['手机', '电脑', '配件', '数码'], 100), 'price': np.random.lognormal(7, 0.4, 100) })

4.2 Pandas数据整形：构建分析宽表的七步法

4.2.1 步骤1：时间字段标准化与衍生

# 统一时间格式（所有表） users['register_date'] = pd.to_datetime(users['register_date']) events['event_time'] = pd.to_datetime(events['event_time']) orders['order_time'] = pd.to_datetime(orders['order_time']) # 衍生时间特征（为后续分组做准备） users['register_month'] = users['register_date'].dt.to_period('M') events['event_date'] = events['event_time'].dt.date events['event_hour'] = events['event_time'].dt.hour orders['order_month'] = orders['order_time'].dt.to_period('M')

4.2.2 步骤2：用户行为聚合（关键指标计算）

# 计算每个用户的行为频次 user_events = events.groupby('user_id').agg( total_events=('event_type', 'count'), view_count=('event_type', lambda x: (x == 'view_product').sum()), cart_count=('event_type', lambda x: (x == 'add_to_cart').sum()), purchase_count=('event_type', lambda x: (x == 'purchase').sum()) ).reset_index() # 计算用户首购时间（用于留存分析） first_purchase = orders.groupby('user_id')['order_time'].min().rename('first_purchase_time') user_events = user_events.merge(first_purchase, on='user_id', how='left') # 标记是否付费用户 user_events['is_paying_user'] = (user_events['first_purchase_time'].notna()).astype(int)

4.2.3 步骤3：订单聚合与用户画像融合

# 订单聚合：每个用户的总消费、订单数、平均客单价 user_orders = orders.groupby('user_id').agg( total_orders=('order_id', 'count'), total_amount=('amount', 'sum'), avg_order_value=('amount', 'mean') ).reset_index() # 融合用户画像 user_profile = users.merge(user_events, on='user_id', how='left') \ .merge(user_orders, on='user_id', how='left') # 填充空值（未下单用户） user_profile['total_orders'] = user_profile['total_orders'].fillna(0) user_profile['total_amount'] = user_profile['total_amount'].fillna(0) user_profile['avg_order_value'] = user_profile['avg_order_value'].fillna(0)

4.2.4 步骤4：构建留存分析矩阵（Cohort Analysis）

# 创建用户分群（按注册月份） user_profile['cohort'] = user_profile['register_date'].dt.to_period('M') # 计算每个用户在各时间段的活跃情况 # 这里简化：用订单表生成活跃标记（实际中可用行为日志） orders_with_cohort = orders.merge( users[['user_id', 'register_date']], on='user_id' ) orders_with_cohort['cohort'] = orders_with_cohort['register_date'].dt.to_period('M') orders_with_cohort['