淘宝美妆店铺名字,淘宝美妆店铺排名,淘宝美妆店铺真假,淘宝美妆店铺怎么开

1、分析背景及目的

随着生活水平的不断提高，越来越多的人更加注重自己外在的形象,美妆产品便成为人们保持外在形象的神器。根据艾瑞网《2021年中国美妆集合店行业研究报告》显示，2018年-2020年化妆品市场规模逐年升高并预测2021年-2023年化妆品市场规模也是保持逐年升高的状态，可见美妆市场存在着巨大潜力，加之电商行业的兴起越来越多的人喜欢在线上购买产品，随之衍生出了几个与购物相关重要的节日，例如双十一、双十二等。本文则是通过对双十一美妆销售数据的研究，从店铺和产品两个维度分析双十一期间的热销产品，产品销量、销售额等指标进而了解用户对美妆产品的需求，便于商家更好的服务用户，提高店铺收入

#导入数据集

import pandas as pd

import numpy as py

import matplotlib.pyplot as plt

df=pd.read_csv('D:\双十一淘宝美妆数据.csv')

#查看行列信息

df.info()

数据集总共包含7个字段：update_time(更新时间)、id(商品

id，具有唯一性)、title(产品名称详细信息)、price(销售价格)、sale_count(销量)、comment_count(评论数量)、店名，共计27598条数据，数据集时间范围是2016.11.5-2016.11.14

2、分析思路与提出问题

2.1 分析思路

2.2 提出问题

不同种类的销量、销售额情况如何?

不同种类下的不同产品销量、销售额、单价的关系?

销量随着时间的变化有什么规律?

不同商品id的评论数与销量的关系?

不同店铺的销售额和销量情况如何?

用户喜欢在销量TOP5的店铺购买产品TOP5是什么?

3、数据清洗

3.1 列名重命名

本数据集不需要对列名进行重命名

3.2 隐藏子集

本数据集不需要隐藏子集

3.3 删除重复值

本数据集不需要删除重复值

3.4 缺失值处理

# 查看缺失值

df.isnull().sum()

字段sale_count、comment_count各有2354处缺失，但由于不会对数据分析产生太大影响，故先不做处理

3.5 数据一致化

(1)将数据格式一致化

# 查看数据类型

df.dtypes

从查询结果看，update_time字段应该为日期格式

# update_time字段转换为日期格式

df['update_time']=pd.to_datetime(df['update_time'])

# 查看数据类型df.types

(2)数据提取字段title将产品类别以及产品提取出来，新增main_cagetory,product两个字段;对产品价格进行价格区间分类同时新增price_scale字段;新增total sales字段

#对price字段进行分类

def price_scale_transform(pricevalue):

<【【微信】】=[]

for 【【微信】】 :

if 0<=value <100 :

t=('[0-100)')

elif 100<=value<200:

t=('[100-200)')

elif 200<=value<300:

t=('[200-300)')

elif 300<=value<400:

t=('[300-400)')

elif 400<=value<500:

t=('[400-500)')

elif 500<=value<600:

t=('[500-600)')

elif 600<=value<700:

t=('[600-700)')

elif 700<=value<800:

t=('[700-800)')

elif 800<=value<900:

t=('[800-900)')

elif 900<=value<1000:

t=('[900-1000)')

elif 1000<=value<2500:

t=('[1000-2500)')

elif 2500<=value<5000:

t=('[2500-5000)')

else:

t=('5000以上')

<【【微信】】.append(t)

price_scale=pd.Series(【【微信】】)

return price_scale

pricevalues=df['price']

s=price_scale_transform(pricevalues)

df['Price_scale']=s.values

# 对title字段提取产品类别以及产品

main_cagetory=[]

product=[]

for 【【微信】】.title:

if any(kw in value for kw in ['爽肤水','化妆水','柔肤水','柔肤液','精粹水','亮肤水','润肤水','保湿水','菁华水','凝露','补水露','修护露']):

t='化妆水'

s='护肤品'

elif any(kw in value for kw in ['美白乳','润肤乳','亮肤乳','菁华乳','修护乳','凝液','乳液','保湿精华乳']):

t='乳液'

s='护肤品'

elif any(kw in value for kw in ['眼部精华露']):

t='眼部精华'

s='护肤品'

elif any(kw in value for kw in ['眼霜']):

t='眼霜'

s='护肤品'

elif any(kw in value for kw in ['洗面','洁面','洁颜','洗颜','去角质','磨砂','卸妆']):

t='洁面产品'

s='护肤品'

elif any(kw in value for kw in ['眼膜']):

t='眼膜'

s='护肤品'

elif any(kw in value for kw in ['面膜']):

t='面膜'

s='护肤品'

elif any(kw in value for kw in ['舒缓喷雾','防晒喷雾','保湿喷雾','喷雾']):

t='喷雾'

s='护肤品'

elif any(kw in value for kw in ['面霜','日霜','晚霜','凝霜','滋润霜','柔肤霜','日间霜','保湿霜','修护霜','修护特润霜']):

t='面霜'

s='护肤品'

elif any(kw in value for kw in ['防晒霜','防晒乳']):

t='防晒霜'

s='护肤品'

elif any(kw in value for kw in ['精华液','精华水','精华露']):

t='精华'

s='护肤品'

elif any(kw in value for kw in ['口红','唇釉','唇彩','唇膏']):

t='口红'

s='彩妆'

elif any(kw in value for kw in ['粉底液','粉霜','粉底膏','粉底霜']):

t='粉底'

s='彩妆'

elif any(kw in value for kw in ['粉饼']):

t='粉饼'

s='彩妆'

elif any(kw in value for kw in ['散粉','蜜粉','定妆粉']):

t='定妆粉'

s='彩妆'

elif any(kw in value for kw in ['气垫']):

t='气垫'

s='彩妆'

elif any(kw in value for kw in ['眉粉']):

t='眉粉'

s='彩妆'

elif any(kw in value for kw in ['染眉膏']):

t='染眉膏'

s='彩妆'

elif any(kw in value for kw in ['眼线']):

t='眼线'

s='彩妆'

elif any(kw in value for kw in ['眼影']):

t='眼影'

s='彩妆'

elif any(kw in value for kw in ['睫毛膏']):

t='睫毛膏'

s='彩妆'

elif any(kw in value for kw in ['鼻影']):

t='鼻影'

s='彩妆'

elif any(kw in value for kw in ['高光']):

t='高光'

s='彩妆'

elif any(kw in value for kw in ['修容粉']):

t='修容粉'

s='彩妆'

elif any(kw in value for kw in ['腮红']):

t='腮红'

s='彩妆'

elif any(kw in value for kw in ['BB霜']):

t='BB霜'

s='彩妆'

else:

t='其它'

s='其它'

main_cagetory.append(s)

product.append(t)

df['main_cagetory']=main_cagetory

df['product']=product

#新增销售额字段total_sales

df['total_sales']=df['price']*df['sale_count']

3.6 异常值处理

可以采用Turkey's test方法识别异常值最小四分位Q1.最大四分位Q3.中位数Q2.异常值的范围为小于最小估计值Q1-K*(Q3-Q1)和大于最大估计值Q3+K*(Q3-Q1)，本数据集则不需要进行异常值识别和处理

四、数据可视化

4.1产品

4.1.1 不同种类的销售额和销量

plt.rcParams['font.sans-serif']=['SimHei']

plt.rcParams['axes.unicode_minus']=False

figure=plt.figure(figsize=(12.8))

data1=df.groupby(['main_cagetory'])['total_sales'].sum()

data2=df.groupby(['main_cagetory'])['sale_count'].sum()

ax1=figure.add_subplot(1.2.1)

ax1.pie(data1.autopct='%.2f%%',textprops=dict(size=8),labels=data1.index,colors=['gray','lightgreen','limegreen'])

ax1.set_title('不同类别的销售额',【【淘密令】】=12)

ax2=figure.add_subplot(1.2.2)

ax2.pie(data2.autopct='%.2f%%',textprops=dict(size=8),labels=data2.index,colors=['gray','lightgreen','limegreen'])

ax2.set_title('不同类别的销量',【【淘密令】】=12)

plt.show()

如图护肤品的销售额占比56.76%、销量占比60.34%均都远超彩妆的销售额和销量，可见护肤品在美妆中仍占有主导地位(备注：由于对产品分类不够详细，所以导致其它占比较高，这里主要分析护肤品以及彩妆类的产品)

4.1.2不同种类下的不同产品销量、销售额、单价的关系?

#护肤品销量、销售额、单价的关系

df1=df[df['main_cagetory']=='护肤品']

df1.groupby(['Price_scale']).agg(hfp_sale_count=('sale_count','sum'),hfp_total_sales=('total_sales','sum')).sort_values(by=['hfp_total_sales'],ascending=False)

从图表上看[100-200)的销售额最高但销量却不是最高，而[0-100)销量最高但销售额不是最高，进一步对价格区间为[0-100)的产品分析

#对护肤品价格区间在[0.100)的产品进一步分析

df8=df[(df['main_cagetory']=='护肤品')&(df['Price_scale']=='[0-100)')]

df8.groupby(['id'])['sale_count'].agg(sale_count8='sum').sort_values(by=['sale_count8'],ascending=False).iloc[0:5.0]

由图上可知，在区间[0.100)中，产品id A24304992630的销量最高，是否 可以考虑将该产品采取组合销售的方式从而将单价提高到[100.200)区间，进而提高销售额

#彩妆销量、单价、销售额之间的关系

df3=df[df['main_cagetory']=='彩妆']

df3.groupby(['Price_scale']).agg(cz_sale_count=('sale_count','sum'),cz_total_sales=('total_sales','sum')).sort_values(by=['cz_total_sales'],ascending=False)

从图表上看[100-200)的销售额最高但销量却不是最高，而[0-100)销量最高但销售额不是最高。进一步对价格区间在[0-100)的产品分析

#对彩妆价格区间[0-100)的产品进一步分析

df9=df[(df['main_cagetory']=='彩妆')&(df['Price_scale']=='[0-100)')]

df9.groupby(['id'])['sale_count'].agg(sale_count9='sum').sort_values(by=['sale_count9'],ascending=False).iloc[0:5.0]

由上可知，在区间[0.100)中，产品id A39876413435的销量最高，是否 可以考虑将该产品采取组合销售的方式从而将单价提高到[100.200)区间，进而提高销售额

4.1.3产品销量随时间的变化

figure1=plt.figure(figsize=(10.6))

ax3=figure1.add_subplot(1.1.1)

df5=df.groupby(['update_time'])['sale_count'].agg(sale_count='sum')

ax3.set_title('销量随时间的变化情况',【【淘密令】】=12)

df5.plot(marker='o',ax=ax3.markersize=4.color='limegreen')

ax3.set_ylabel('销量')

ax3.set_xlabel('日期')

ax3.set_ylim([0.40000000])

如图从11.5-11.10的销量基本保持稳定且都在3000万以上，而在11.11当天销量下降到11.5-11.14期间最低，从11.12开始销量逐渐上升。参考网上信息了解到11.5-11.10均为2016年双十一的预热期，用户在此期间购买产品，所以销量会增加。由于用户在预热期时已购买产品所以在双十一当天的销量减少，达到期间最低

4.1.4不同商品id的评论数与销量的关系

figure2=plt.figure(figsize=(12.6))

ax1=figure2.add_subplot(1.2.1)

df6=df.groupby(['id']).agg(comment_count1=('comment_count','sum'),sale_count2=('sale_count','sum'))

ax1.scatter(x=df6['comment_count1'],y=df6['sale_count2'],color=['limegreen'])

ax1.set_title('销量随商品id的评论数的变化',【【淘密令】】=12)

ax1.set_xlim(xmin=0.xmax=2500000)

ax1.set_xlabel('商品评论数')

ax1.set_ylabel('销量')

plt.show()

如图所示，商品id的评论数与销量之间是呈一定的正相关，进一步计算商品id的评论数与销量之间的相关系数

#计算商品id的评论数与销量的相关系数

df6=df.groupby(['id']).agg(comment_count1=('comment_count','sum'),sale_count2=('sale_count','sum'))

df6.corr()

如图所示，相关系数r约为0.87.由此可知，商品评论数与销量是呈高度正相关

4.2店铺

4.2.1 不同店铺的销售额和销量

figure3=plt.figure(figsize=(14.5))

ax1=figure3.add_subplot(1.2.1)

df6=df.groupby(['店名'])['total_sales'].agg(total_sale4='sum').sort_values(by=['total_sale4'],ascending=True)

df6.plot(width=0.8.kind='barh',ax=ax1.color='limegreen')

ax1.set_title('不同店铺的销售额',【【淘密令】】=12)

ax1.set_xlabel('销售额')

ax2=figure3.add_subplot(1.2.2)

df8=df.groupby(['店名'])['sale_count'].agg(sale_count5='sum').sort_values(by=['sale_count5'],ascending=True)

df8.plot(kind='barh',width=0.8.ax=ax2.color='darkorange')

ax2.set_title('不同店铺的销量',【【淘密令】】=12)

ax2.set_xlabel('销量')

plt.show()

如图所示销售额TOP5分别为相宜本草、欧莱雅、佰草集、美宝莲、悦诗风吟;销量TOP5分别为相宜本草、美宝莲、悦诗风吟、妮维雅、欧莱雅。值得注意的是佰草集的销量虽不是Top5但销售额却排在第3位

4.2.2热销店铺Top5的热销产品Top5

由4.2.1不同店铺的销量可了解热销店铺Top5分别是相宜本草、美宝莲、悦诗风吟、妮维雅、欧莱雅。进一步查看这5个店铺的热销产品Top5

figure5=plt.figure(figsize=(12.8))

ax1=figure5.add_subplot(2.2.1)

ax2=figure5.add_subplot(2.2.2)

df9=df[(df['店名']=='相宜本草')&(df['product']!='其它')]

df10=df[(df['店名']=='美宝莲')&(df['product']!='其它')]

df9.groupby(['product'])['sale_count'].agg(sale_count6='sum').sort_values(by=['sale_count6'],ascending=False).plot(kind='bar',width=0.8.ax=ax1.color='limegreen')

df10.groupby(['product'])['sale_count'].agg(sale_count7='sum').sort_values(by=['sale_count7'],ascending=False).plot(kind='bar',width=0.8.ax=ax2.color='lightgreen')

ax1.set_title('相宜本草品类销量',【【淘密令】】=10)

ax2.set_title('美宝莲品类销量',【【淘密令】】=10)

plt.show()

figure6=plt.figure(figsize=(12.8))

ax1=figure6.add_subplot(2.2.1)

ax2=figure6.add_subplot(2.2.2)

df11=df[(df['店名']=='悦诗风吟')&(df['product']!='其它')]

df12=df[(df['店名']=='妮维雅')&(df['product']!='其它')]

df11.groupby(['product'])['sale_count'].agg(sale_count8='sum').sort_values(by=['sale_count8'],ascending=False

---

下载淘宝特价版

淘宝网页版是一款当前市面上享有超高知名度的网购平台，各位进入该平台上可以任意购买到一切自己需要的商品，淘宝网页版而且软件内还支持有智能搜索引擎系统，更方便各位更轻松找到自己需要所需的商品，喜欢的各位朋友们欢迎前来下载吧!

1、筛选更直接：新增宝贝搜索后人气，信用，价格及销量的排序，帮您快速查询购买宝贝。

2、活动办不停：单品推，活动推及店铺推，轻轻点击，重重优惠，多多团购、多多红包。

3、充值好便利：话费充值，qq充值，游戏点卡充值，让你足不出户，动动手指，搞定一切烦恼。

1、便民充值：话费充值、游戏点卡充值、q币充值，简单方便，** 宝** 又快有安全。

2、购物比价：您可以到家乐福、沃尔玛、国美、苏宁等任何一家超市或者连锁店，通过关键词搜索、条码搜，语音搜及二维码搜索等多种搜索方式即可实现和淘宝网商品比价，300万条码库条码扫描更方便，让您购物更省* 。

3、折扣优惠：同步web版淘宝活动丰富，逛，逛单品，逛店铺，活动专区优惠多多，同城生活购物更优惠。

淘宝网页版是一款具有查看附近的生活优惠信息、商品搜索、浏览、购买、** 、收藏、物流查询、旺旺沟通等在线功能，成为了用户方便快捷的生活消费入口。

..淘宝助力记录怎么看,淘宝助力记录怎么看,助力显示参与人数过多怎么办,我们组织了一个618天猫理想生活狂欢季淘宝互助次数上限，专注于天猫理想生活狂欢季游戏，加入我们的群，快速完成任务！