Ⅰ python中count函数怎么用
统计列表中字符的出现频率
inp_lst = ['Apple','Banana','Apple','Grapes','Jackfruit','Apple']
lst_cnt = inp_lst.count('Apple')
print(lst_cnt)
Ⅱ 利用python进行《野蛮时代》游戏数据分析
数据包含近229万条记录，109个字段，以下取较重要的字段进行说明。
字段说明：user_id：用户编码，用户唯一标识
bd_stronghold_level：要塞等级，相当于游戏账号等级
wood_rece_value：木头消耗数量
stone_rece_value：石头消耗数量
ivory_rece_value：象牙消耗数量
meat_rece_value：肉消耗数量
magic_rece_value：魔法消耗数量
general_acceleration_rece_value：通用加速消耗数量
building_acceleration_rece_value：建筑加速消耗数量
reaserch_acceleration_rece_value：科研加速消耗数量
training_acceleration_rece_value：训练加速消耗数量
treatment_acceleration_rece_value：治疗加速消耗数量
pvp_battle_count：玩家对玩家次数
pve_battle_count：玩家对机器次数
avg_online_minutes：日均在线时间
pay_price: 消费金额
pay_count：消费次数
分析思路：用户注册时间分布情况？
用户的付费情况（付费率，ARPU，ARPPU）？
各等级用户的付费情况？
用户的消费习惯？
可视化数据
分析过程：
①导入数据
import numpy as np
import pandas as pd
from pandas import read_csv
from sklearn.cluster import KMeans
import matplotlib.pyplotas plt
import pylab as pl
from matplotlib.font_managerimport FontManager, FontProperties
pd.set_option('display.max_columns',None)
#为了数据安全，一份数据
df=df0
#检查是否有空值
print(df.isnull().any().any())
#观察数据构成
print(df.head())
②清洗数据
#以user_id为维度，删除重复数据，并查看用户总数
df=df.drop_plicates(subset='user_id')
print('用户总数：',len(df['user_id']))
→用户总数：2288007
③计算用户注册时间分布
#首先将注册时间精确到天
register_date=[]
for i in df['register_time']:
date=i[5:10]
register_date.append(date)
df['register_time']=register_date
#计算每天的注册人数
df_register=df.groupby('register_time').size()
df_register.columns=['日期','注册人数']
print(df_register)
（可视化）
plt.plot(df_register)
plt.grid(True)
pl.xticks(rotation=90)
font=FontProperties(fname='/System/Library/Fonts/PingFang.ttc')
plt.title('用户注册分布图',fontproperties=font)
plt.show()
△可以看出，用户注册数在2月19日有一次的大的高峰，其他时间也分别有几次小高峰，且高峰的持续时间很短，可以推测是因为游戏推出一些奖励活动或公司对游戏的推广取得了效果进而使注册用户激增。
④用户的付费情况（付费率，ARPU，ARPPU）
#付费率（付费人数/活跃人数）
df_pay_user=df[(df['pay_price']>0)]
pay_rate=df_pay_user['user_id'].count()/df_active_user['user_id'].count()
print('付费率：%.2f'%(pay_rate))
#ARPU（总付费金额/活跃人数）
arpu=df_pay_user['pay_price'].sum()/df_active_user['user_id'].count()
print('ARPU:%.2f'%(arpu))
#ARPPU（总付费金额/付费人数）
arppu=df_pay_user['pay_price'].sum()/df_pay_user['user_id'].count()
print('ARPPU:%.2f'%(arppu))
△目前盈利较好的手游的ARPU超过5元，一般手游在3~5元之间，盈利较差的低于3元，该游戏的ARPU为8.55元，说明盈利水平较高。
⑤不同等级用户的付费情况
df_user=df[['user_id','bd_stronghold_level','pay_price','pay_count']]
df_table=pd.pivot_table(df_user,index=['bd_stronghold_level'],
values=['user_id','pay_price','pay_count'],
aggfunc={'user_id':'count','pay_price':'sum','pay_count':'sum'})
df_stronghold_pay=pd.DataFrame(df_table.to_records())
#各等级付费人数
df_stronghold_pay['pay_num']=df_user[(df_user['pay_price']>0)].groupby('bd_stronghold_level').user_id.count()
#各等级付费转化率
df_stronghold_pay['pay_rate']=df_stronghold_pay['pay_num']/df_stronghold_pay['user_id']
#各等级平均付费金额
df_stronghold_pay['avg_pay_price']=df_stronghold_pay['pay_price']/df_stronghold_pay['user_id']
#各等级平均付费次数
df_stronghold_pay['avg_pay_count']=df_stronghold_pay['pay_count']/df_stronghold_pay['user_id']
#重命名列名
df_stronghold_pay.columns=['要塞等级','总付费次数','总付费金额','总人数',
'付费人数','付费转化率','人均付费金额','人均付费次数']
df_stronghold_pay=df_stronghold_pay[['要塞等级','总人数','付费人数','付费转化率',
'总付费金额','人均付费金额','总付费次数','人均付费次数']]
df_stronghold_pay=df_stronghold_pay.round(2)
print(df_stronghold_pay)
（可视化）
#要塞等级—付费转化率
x=df_stronghold_pay['要塞等级']
y=df_stronghold_pay['付费转化率']
plt.xticks(x,range(0,len(x),1))
plt.plot(x,y)
plt.grid(True)
plt.title('不同等级用户付费转化率',fontproperties=font)
plt.show()
#要塞等级-人均付费金额
x=df_stronghold_pay['要塞等级']
y=df_stronghold_pay['人均付费金额']
plt.xticks(x,range(0,len(x),1))
plt.plot(x,y)
plt.grid(True)
plt.title('不同等级用户人均付费jine',fontproperties=font)
plt.show()
x=df_stronghold_pay['要塞等级']
y=df_stronghold_pay['人均付费金额']
plt.xticks(x,range(0,len(x),1))
plt.plot(x,y)
plt.grid(True)
plt.title('不同等级用户人均付费jine',fontproperties=font)
plt.show()
#要塞等级-人均付费次数
x=df_stronghold_pay['要塞等级']
y=df_stronghold_pay['人均付费次数']
plt.xticks(x,range(0,len(x),1))
plt.plot(x,y)
plt.grid(True)
plt.title('不同等级用户人均付费次数',fontproperties=font)
plt.show()
△用户等级到达10级时，付费率接近60%，等级到达13级时，付费率接近100%，且人均付费金额和次数两项指标也在用户达到10级后增长迅速，因此可以认定10级以上用户为游戏的核心用户。
△但是观察用户等级分布，发现绝大部分用户还是处在10级以下的水平，因此如何使用户达到10级是游戏运营接下来需要考虑的事。
⑥不同玩家的消费习惯
该游戏充值主要可以获得道具类（木头、石头、象牙、肉、魔法）和加速券类（通用、建筑、科研、训练、医疗）。根据用户的充值金额大小，分别分析两类消费品的消耗情况。
#将等级>=10级的玩家划分为：消费>=500为高消费玩家，<500为普通玩家
df_eli_user=df[(df['pay_price']>=500)&(df['bd_stronghold_level']>=10)]
df_nor_user=df[(df['pay_price']<500)&(df['bd_stronghold_level']>10)]
#不同玩家的道具消耗情况
wood_avg=[df_eli_user['wood_rece_value'].mean(),df_nor_user['wood_rece_value'].mean()]
stone_avg=[df_eli_user['stone_rece_value'].mean(),df_nor_user['stone_rece_value'].mean()]
ivory_avg=[df_eli_user['ivory_rece_value'].mean(),df_nor_user['ivory_rece_value'].mean()]
meat_avg=[df_eli_user['meat_rece_value'].mean(),df_nor_user['meat_rece_value'].mean()]
magic_avg=[df_eli_user['magic_rece_value'].mean(),df_nor_user['magic_rece_value'].mean()]
props_data={'high_value_player':[wood_avg[0],stone_avg[0],ivory_avg[0],meat_avg[0],magic_avg[0]],
'normal_player':[wood_avg[1],stone_avg[1],ivory_avg[1],meat_avg[1],magic_avg[1]]}
df_props=pd.DataFrame(props_data,index=['wood','stone','ivory','meat','magic'])
df_props=df_props.round(2)
print(df_props)
#可视化
ax=df_props.plot(kind='bar',title='Props Rece',
grid=True,legend=True)
plt.show()
△普通玩家和高消费玩家对木头、石头、肉的消耗都较大，魔法的消耗都较小，而在象牙的消耗上，高消费玩家和普通玩家的消耗差距较大。
#不同玩家的加速券消耗情况
general_avg=[df_eli_user['general_acceleration_rece_value'].mean(),
df_nor_user['general_acceleration_rece_value'].mean()]
building_avg=[df_eli_user['building_acceleration_rece_value'].mean(),
df_nor_user['building_acceleration_rece_value'].mean()]
research_avg=[df_eli_user['reaserch_acceleration_rece_value'].mean(),
df_nor_user['reaserch_acceleration_rece_value'].mean()]
training_avg=[df_eli_user['training_acceleration_rece_value'].mean(),
df_nor_user['training_acceleration_rece_value'].mean()]
treatment_avg=[df_eli_user['treatment_acceleration_rece_value'].mean(),
df_nor_user['treatment_acceleration_rece_value'].mean()]
acceleration_data={'high_value_player':[general_avg[0],building_avg[0],research_avg[0],
training_avg[0],treatment_avg[0]],
'normal_player':[general_avg[1],building_avg[1],research_avg[1],
training_avg[1],treatment_avg[1]]}
df_acceleration=pd.DataFrame(acceleration_data,index=['general','building','researching','training','treatment'])
print(df_acceleration.round(2))
#可视化
ax=df_acceleration.plot(kind='bar',title='Acceleration Rece',
grid=True,legend=True)
plt.show()
△两类玩家对对治疗加速券消耗都很小，对通用加速券的消耗差异较大，其他三种加速券消耗差别不大。
结论：1.该游戏具有较大的用户基数，且新用户注册受游戏活动、新版本等因素影响较大。
2.该游戏的ARPU为8.55，说明该游戏的盈利能力较高。
3.用户等级达到10级后，付费意愿明显上升，且达到13级时付费率将近100%。但是绝大多数用户仍然停留在10级以下，如何使用户平滑升至10级尤为重要。
4.消费习惯上，高消费玩家对象牙和通用加速券的需求远多于一般玩家。
Ⅲ python数据分析项目：用户消费行为分析
为了创造更多利润、实现数据驱动运营，某CD网站拟对18个月以来的近7万条消费数据进行分析。具体的研究思路如下：
新增['month']列，便于后续按月分析。
重新查看，此时的时间列已转换为正常格式。
由上图可知，
接下来我们用之前清洗好的字段进行数据分析。
前三个月消费订单数在10000笔左右，后续月份的平均则在2500笔。
前三个月产品购买数在20000以上，后续月份的产品购买量在6000~8000左右 。
前三个月每月的消费人数在8000-10000之间，后续月份平均消费人数在2000人不到
上述消费趋势的分析可以通过数据透视表分析（不建议数据透视表进行去重操作）
本章小结——
趋势分析：总体来看，消费总金额、消费次数、产品购买量、消费人数的趋势想似：均先上升、下跌、趋于平稳并下降。
可以看出网站的流失用户在增加，采用开源（拉新）节流（留存）的运营方式，来增加销售收入。
上一部分是按月分析，主要看趋势；本部分按用户个体分析，来看消费能力。
按用户消费金额进行降序排列，由图可知，共计约25000个用户：
启发，只要维护好这5000个用户（占比20%）就可以把业绩KPI完成70%，如果能把5000个用户运营的更好就可以占比更高。
通过以上基本数据描述分析可以清楚该网站整体的消费趋势和用户消费能力，现在进一步挖掘用户消费行为数据，通过RFM模型、生命周期等方法对用户进行分层，为后续运营管理提供依据。
首购可以进一步依渠道划分，衡量不同渠道的差异性，从而量化渠道能力，为后期渠道优化提供依据。
用户第一次购买分布，集中在前三个月(1997年1-3月)；其中，在2月11日至2月25日有一次剧烈波动
由图可知，1997年1-4月新用户数量由90%跌落至80%以下；之后几个月的新用户量保持在80~82%区间。
RFM是一个经典的用户分类模型，模型利用通用交易环节中最核心的三个维度——最近消费(Recency)、消费频率(Frequency)、消费金额(Monetary)细分用户群体，从而分析不同群体的用户价值，最终达到精准营销。
RFM从3个维度、分2个等级（均值）得到8类用户分层。
通过RFM模型，把用户分为8个类别，分别给用户打标签、将客户分为重要价值、重要保持、重要挽留、重要发展、一般价值、一般保持、一般保留、一般发展8类客户。
从RFM分层可知，本网站的大部分用户为一般挽留客户（可适当放弃这部分低价值客户、也可进一步提高活跃度）、重要保持客户（企业优质的客户群，采用会员制运营）。具体运营策略依据参照如下：
为了避免划分用户群体过多（RFM从3个维度、分2个等级得到8类用户分层的数据立方），可能导致针对性的营销成本负担上升；下面将通过聚类方法，基于RFM模型划分成4类用户，更快实现后期用户管理。
显然，归一化预处理后，当n=2时，轮廓系数取最大值0.79，仅从模型聚类效果来讲分2类合适；而标准正态化预处理后显示，分4类的轮廓系数最大，达0.6964（但2-7类的轮廓系数整理差别波动不大）
参考漏斗模型，针对每个用户，按18个月内的每个月对用户情况进行分类，即新用户、活跃用户、回流用户、流失用户。
通过下面的数据透视表即可得到每个用户每个月的购买情况，从而进行转化分析。
若本月无消费（即为0）
若本月有消费（即为1）
由上表可知，每月的用户消费状态变化
Ⅳ python中如何用字典统计次数
在python语言中，字典和列表都是其中的数据类型，如果想要使用字典统计列表中元素出现次数，该如何实现？
1/6
打开pycharm工具，新建python文件，打开文件并定义列表k，进行赋值
2/6
接着定义一个空字典j，作为装载列表中的元素和对应的次数
3/6
使用for...in语句遍历列表k，如果列表k中的元素出现一次，对应的次数加1，否则只展示一次
4/6
使用循环语句遍历字典j，并依次打印字典中的key和value
5/6
保存代码并运行python文件，查看控制台打印结果
6/6
再次修改列表中的元素，添加元素，然后再次运行查看打印结果
注意事项
注意python语言中的列表和字典的区别
注意如何使用字典实现查找列表元素出现的次数
Ⅳ python怎么统计个数
python怎么统计个数：
1、打开一个python文件。
2、然后定义一个序列numbers3。
3、想要统计numbers3序列中4这个元素出现的次数，可以使用count方法来实现，可以这样写：numbers3.count(4)
4、用print函数将统计的结果打印出来。
5、右键单击，弹出肆滚菜单，点击runcode运行程序纯带。
6、得出结果为做雹芦2，表示4个元素在numbers3这个列表中有2个。
Ⅵ Python数据分析案例-药店销售数据分析
最近学习了Python数据分析的一些基础知识，就找了一个药品数据分析的小项目来练一下手。
数据分析的目的：
本篇文章中，假设以朝阳医院2018年销售数据为例，目的是了解朝阳医院在2018年里的销售情况，通过对朝阳区医院的药品销售数据的分析，了解朝阳医院的患者的月均消费次数，月均消费金额、客单价以及消费趋势、需求量前几位的药品等。
数据分析基本过程包括：获取数据、数据清洗、构建模型、数据可视化以及消费趋势分析。
数据准备
数据是存在Excel中的，可以使用pandas的Excel文件读取函数将数据读取到内存中，这里需要注意的是文件名和Excel中的sheet页的名字。读取完数据后可以对数据进行预览和查看一些基本信息。
获取数据：朝阳医院2018年销售数据.xlsx(非真实数据) 提取码: 6xm2
导入原始数据
数据准备
数据是存在Excel中的，可以使用pandas的Excel文件读取函数将数据读取到内存中，这里需要注意的是文件名和Excel中的sheet页的名字。读取完数据后可以对数据进行预览和查看一些基本信息。
获取数据：朝阳医院2018年销售数据.xlsx(非真实数据) 提取码: 6xm2
导入原始数据
数据清洗
数据清洗过程包括：选择子集、列名重命名、缺失数据处理、数据类型转换、数据排序及异常值处理
（1）选择子集
在我们获取到的数据中，可能数据量非常庞大，并不是每一列都有价值都需要分析，这时候就需要从整个数据中选取合适的子集进行分析，这样能从数据中获取最大价值。在本次案例中不需要选取子集，暂时可以忽略这一步。
（2）列重命名
在数据分析过程中，有些列名和数据容易混淆或产生歧义，不利于数据分析，这时候需要把列名换成容易理解的名称，可以采用rename函数实现：
（3）缺失值处理
获取的数据中很有可能存在缺失值，通过查看基本信息可以推测“购药时间”和“社保卡号”这两列存在缺失值，如果不处理这些缺失值会干扰后面的数据分析结果。
缺失数据常用的处理方式为删除含有缺失数据的记录或者利用算法去补全缺失数据。
在本次案例中为求方便，直接使用dropna函数删除缺失数据，具体如下：
（4）数据类型转换
在导入数据时为了防止导入不进来，会强制所有数据都是object类型，但实际数据分析过程中“销售数量”，“应收金额”，“实收金额”，这些列需要浮点型（float）数据，“销售时间”需要改成时间格式，因此需要对数据类型进行转换。
可以使用astype()函数转为浮点型数据：
在“销售时间”这一列数据中存在星期这样的数据，但在数据分析过程中不需要用到，因此要把销售时间列中日期和星期使用split函数进行分割，分割后的时间，返回的是Series数据类型：
此时时间是没有按顺序排列的，所以还是需要排序一下，排序之后索引会被打乱，所以也需要重置一下索引。
其中by:表示按哪一列进行排序，ascending=True表示升序排列，ascending=False表示降序排列
先查看数据的描述统计信息
通过描述统计信息可以看到，“销售数量”、“应收金额”、“实收金额”这三列数据的最小值出现了负数，这明显不符合常理，数据中存在异常值的干扰，因此要对数据进一步处理，以排除异常值的影响：
数据清洗完成后，需要利用数据构建模型（就是计算相应的业务指标），并用可视化的方式呈现结果。
月均消费次数 = 总消费次数 / 月份数（同一天内，同一个人所有消费算作一次消费）
月均消费金额 = 总消费金额 / 月份数
客单价 = 总消费金额 / 总消费次数
从结果可以看出，每天消费总额差异较大，除了个别天出现比较大笔的消费，大部分人消费情况维持在1000-2000元以内。
接下来，我销售时间先聚合再按月分组进行分析：
结果显示，7月消费金额最少，这是因为7月份的数据不完整，所以不具参考价值。
1月、4月、5月和6月的月消费金额差异不大.
2月和3月的消费金额迅速降低，这可能是2月和3月处于春节期间，大部分人都回家过年的原因。
d. 分析药品销售情况
对“商品名称”和“销售数量”这两列数据进行聚合为Series形式，方便后面统计，并按降序排序：
截取销售数量最多的前十种药品，并用条形图展示结果：
结论：对于销售量排在前几位的药品，医院应该时刻关注，保证药品不会短缺而影响患者。得到销售数量最多的前十种药品的信息，这些信息也会有助于加强医院对药房的管理。
每天的消费金额分布情况：一横轴为时间，纵轴为实收金额画散点图。
结论： 从散点图可以看出，每天消费金额在500以下的占绝大多数，个别天存在消费金额很大的情况。
</article>