驱虫市场潜力分析

import glob
import os
import pandas as pd
import re
import numpy as np
import datetime as dt
from sklearn.linear_model import LinearRegression
import seaborn as sns
from matplotlib import pyplot as plt
import jieba
import jieba.analyse
import imageio
from wordcloud import WordCloud

#windows 中文编码
plt.rcParams['font.sans-serif']='simhei'
plt.rcParams['axes.unicode_minus']=False

os.chdir("C:/data")
os.chdir("./驱虫剂市场")

加载数据

• 读取各个子类目交易额数据,合并

filenames = glob.glob('*市场近三年交易额.xlsx')
filenames

['灭鼠杀虫剂市场近三年交易额.xlsx',
 '电蚊香套装市场近三年交易额.xlsx',
 '盘香灭蟑香蚊香盘市场近三年交易额.xlsx',
 '蚊香加热器市场近三年交易额.xlsx',
 '蚊香液市场近三年交易额.xlsx',
 '蚊香片市场近三年交易额.xlsx',
 '防霉防蛀片市场近三年交易额.xlsx']

re.search(r'.*(?=市场)','灭鼠杀虫剂市场近三年交易额.xlsx',).group()   #正则表达式 ,?=市场,表示取出市场以前的内容

'灭鼠杀虫剂'

def load_xlsx(filename):
    # 抽取子类目名
    colname = re.search(r'.*(?=市场)',filename).group()
    # 读文件
    df = pd.read_excel(filename)
    # 如果时间列是整数,修正为日期时间格式
    if df['时间'].dtypes == 'int64':
        df['时间'] = pd.to_datetime(df['时间'],unit='D',origin=pd.Timestamp('1899-12-30'))
#       df['时间'] = pd.TimedeltaIndex(df['时间'],unit='D') + dt.datetime(1899,12,30)
    # 重命名列名(交易金额)为子类目名
    df.rename(columns={df.columns[1]:colname},inplace=True)
    # 设置时间列为行索引
    df = df.set_index('时间')
    return df

• 读取所有文件到列表

dfs = [load_xlsx(i) for i in filenames]

• 依行索引(时间)合并所有文件到一个数据框

df = pd.concat(dfs,axis=1).reset_index()   #将时间变成一列,将索引变成列,重置索引

df.dtypes

时间          datetime64[ns]
灭鼠杀虫剂              float64
电蚊香套装              float64
盘香灭蟑香蚊香盘           float64
蚊香加热器              float64
蚊香液                float64
蚊香片                float64
防霉防蛀片              float64
dtype: object

df.head()

	时间	灭鼠杀虫剂	电蚊香套装	盘香灭蟑香蚊香盘	蚊香加热器	蚊香液	蚊香片	防霉防蛀片
0	2018-10-01	1.136548e+08	106531.29	4171283.35	315639.48	7814546.15	1032414.29	8541153.59
1	2018-09-01	1.440261e+08	105666.63	6784500.17	457366.41	10654973.47	1566651.88	8825870.43
2	2018-08-01	1.540426e+08	201467.03	10709683.41	746513.13	17835577.80	2617149.00	6320153.44
3	2018-07-01	1.480032e+08	438635.29	16589184.89	1871757.00	38877917.83	6209040.06	6302595.06
4	2018-06-01	1.359438e+08	953749.78	23526385.73	3641025.92	76499091.86	12484919.63	7047206.98

清洗数据

• 查看各列缺失值占比

df.isna().mean()

时间          0.0
灭鼠杀虫剂       0.0
电蚊香套装       0.0
盘香灭蟑香蚊香盘    0.0
蚊香加热器       0.0
蚊香液         0.0
蚊香片         0.0
防霉防蛀片       0.0
dtype: float64

• 抽取月份以供后面索引

month = df['时间'].dt.month   #抽取月份

month

0     10
1      9
2      8
3      7
4      6
5      5
6      4
7      3
8      2
9      1
10    12
11    11
12    10
13     9
14     8
15     7
16     6
17     5
18     4
19     3
20     2
21     1
22    12
23    11
24    10
25     9
26     8
27     7
28     6
29     5
30     4
31     3
32     2
33     1
34    12
35    11
Name: 时间, dtype: int64

• 循环预测2018年11月和12月的销售金额

for i in [11,12]:
    # 收取对应月份数据
    dm = df[month == i]  #抽取的是行  
    # 训练x是年份
    xtrain = np.array(dm['时间'].dt.year).reshape(-1,1)   #reshape(-1,1)变成一个二维数组
    # 测试y是新增加的行,第一列是对应的日期
    ytest = [pd.datetime(2018,i,1)]
    for j in range(1,len(dm.columns)):
        # 训练y是指定的j列
        ytrain = np.array(dm.iloc[:,j]).reshape(-1,1)
        # 回归建模
        lm = LinearRegression().fit(xtrain,ytrain)
        # 预测当测试x是2018时的交易金额yhat
        yhat = lm.predict(np.array([2018]).reshape(-1,1))
        # 对应列的预测值附在新增加的行后
        ytest.append(round(yhat[0][0],2))
    # 给预测结果赋值对应的列名
    newrow = pd.DataFrame([dict(zip(df.columns,ytest))])    
    # 预测结果行加在数据前
    df = newrow.append(df)   

D:ProgramDataAnaconda3libsite-packagesipykernel_launcher.py:3: UserWarning: Boolean Series key will be reindexed to match DataFrame index.
  This is separate from the ipykernel package so we can avoid doing imports until

df

	时间	灭鼠杀虫剂	电蚊香套装	盘香灭蟑香蚊香盘	蚊香加热器	蚊香液	蚊香片	防霉防蛀片
0	2018-12-01	5.256763e+07	50204.53	928554.26	86849.17	3.081492e+06	426812.59	3958717.58
1	2018-11-01	7.175250e+07	38692.61	1801318.82	193874.39	5.543204e+06	776627.04	6678677.55
2	2018-10-01	1.136548e+08	106531.29	4171283.35	315639.48	7.814546e+06	1032414.29	8541153.59
3	2018-09-01	1.440261e+08	105666.63	6784500.17	457366.41	1.065497e+07	1566651.88	8825870.43
4	2018-08-01	1.540426e+08	201467.03	10709683.41	746513.13	1.783558e+07	2617149.00	6320153.44
5	2018-07-01	1.480032e+08	438635.29	16589184.89	1871757.00	3.887792e+07	6209040.06	6302595.06
6	2018-06-01	1.359438e+08	953749.78	23526385.73	3641025.92	7.649909e+07	12484919.63	7047206.98
7	2018-05-01	1.241642e+08	1238967.37	28118581.25	5032466.78	1.050396e+08	15309721.94	7942340.44
8	2018-04-01	7.509661e+07	841051.93	16420341.87	3130513.43	6.254165e+07	7954875.07	7031364.60
9	2018-03-01	5.918182e+07	475177.48	7900094.91	1198332.81	2.632447e+07	2950648.32	6051561.02
10	2018-02-01	2.292138e+07	33232.95	545917.66	75714.46	2.235774e+06	218915.63	1393948.47
11	2018-01-01	3.653873e+07	54305.20	592663.20	86670.45	1.759451e+06	298146.11	2607776.07
12	2017-12-01	4.292283e+07	71600.17	796930.46	69145.59	2.213103e+06	314120.38	3259747.23
13	2017-11-01	5.838217e+07	94993.76	1581530.20	168141.79	4.257594e+06	617094.94	5447184.43
14	2017-10-01	8.226882e+07	145925.31	2824785.80	166522.62	4.290843e+06	766588.77	6152868.25
15	2017-09-01	1.010081e+08	242194.37	5581352.42	353042.45	7.833349e+06	1574779.65	5792065.80
16	2017-08-01	1.049504e+08	332922.02	7229409.84	544076.63	1.376039e+07	2323304.14	5081714.64
17	2017-07-01	1.116729e+08	913425.95	13718046.88	1357778.93	4.257757e+07	6627299.71	6691694.17
18	2017-06-01	1.051463e+08	2045163.59	19635925.59	2639777.66	8.283230e+07	12422420.21	7155138.87
19	2017-05-01	9.185035e+07	3606141.82	20275515.85	3185961.75	1.014605e+08	15961946.71	8145781.12
20	2017-04-01	5.363586e+07	1285599.49	9197868.29	1554864.42	4.880687e+07	6214963.68	6682161.49
21	2017-03-01	4.078967e+07	390486.57	3397837.60	317206.48	1.488979e+07	1319399.22	3904656.82
22	2017-02-01	3.467502e+07	209643.87	1519446.34	148158.07	5.929509e+06	687697.46	2584035.90
23	2017-01-01	2.047156e+07	39434.76	596744.04	48164.63	1.213749e+06	238973.09	1781773.46
24	2016-12-01	3.546668e+07	84350.57	1234900.05	52118.96	1.558634e+06	293737.20	3504367.98
25	2016-11-01	4.780625e+07	106291.23	1473418.20	82835.82	2.758827e+06	512990.23	4975519.21
26	2016-10-01	6.339722e+07	179015.23	2543813.78	130484.07	3.641803e+06	690912.02	4600717.78
27	2016-09-01	6.864724e+07	210456.69	3092898.02	168724.83	4.632818e+06	930513.91	4642681.07
28	2016-08-01	7.610885e+07	316467.14	4389862.79	272553.95	8.956868e+06	1581021.50	4151326.68
29	2016-07-01	7.832954e+07	932728.10	7384968.66	761159.35	2.260036e+07	4088320.77	5412185.06
30	2016-06-01	7.693264e+07	2184985.33	10859461.67	1728788.53	4.640197e+07	8004562.69	5694825.13
31	2016-05-01	5.812696e+07	2059879.80	9912801.93	1618361.54	4.777690e+07	7474421.97	5469360.60
32	2016-04-01	3.762602e+07	1034992.53	4687913.18	758206.81	2.432917e+07	3435257.35	5253619.06
33	2016-03-01	2.952610e+07	352013.31	1204574.20	246106.75	6.656382e+06	746709.07	3481194.46
34	2016-02-01	1.500135e+07	96979.48	449199.41	36193.85	6.939075e+05	109108.05	1274810.96
35	2016-01-01	2.107822e+07	108412.71	619042.01	49670.25	4.828890e+05	113284.71	1562393.95
36	2015-12-01	2.472756e+07	110068.83	818479.56	34076.91	5.832845e+05	134890.48	2333602.08
37	2015-11-01	3.303873e+07	185094.22	1197791.27	86889.91	1.579796e+06	325744.43	3364112.14

• 去掉原始索引

df.reset_index(drop=True,inplace=True)

• 去掉15年的数据

df = df[df['时间'].dt.year != 2015]

• 查看预测结果

df.head()

	时间	灭鼠杀虫剂	电蚊香套装	盘香灭蟑香蚊香盘	蚊香加热器	蚊香液	蚊香片	防霉防蛀片
0	2018-12-01	5.256763e+07	50204.53	928554.26	86849.17	3081491.99	426812.59	3958717.58
1	2018-11-01	7.175250e+07	38692.61	1801318.82	193874.39	5543203.83	776627.04	6678677.55
2	2018-10-01	1.136548e+08	106531.29	4171283.35	315639.48	7814546.15	1032414.29	8541153.59
3	2018-09-01	1.440261e+08	105666.63	6784500.17	457366.41	10654973.47	1566651.88	8825870.43
4	2018-08-01	1.540426e+08	201467.03	10709683.41	746513.13	17835577.80	2617149.00	6320153.44

驱虫市场潜力分析

1. 分析整个市场的总体趋势
2. 分析各子类目市场占比及变化趋势
3. 分析市场集中度,即是否存在垄断

市场变化趋势描述

• 每行所有市场的交易金额的总和生成新列
• 抽出年份生成新列

df['colsums'] = df.sum(1)
df.insert(1,'year',df['时间'].dt.year)
df.head()

	时间	year	灭鼠杀虫剂	电蚊香套装	盘香灭蟑香蚊香盘	蚊香加热器	蚊香液	蚊香片	防霉防蛀片	colsums
0	2018-12-01	2018	5.256763e+07	50204.53	928554.26	86849.17	3081491.99	426812.59	3958717.58	6.110026e+07
1	2018-11-01	2018	7.175250e+07	38692.61	1801318.82	193874.39	5543203.83	776627.04	6678677.55	8.678489e+07
2	2018-10-01	2018	1.136548e+08	106531.29	4171283.35	315639.48	7814546.15	1032414.29	8541153.59	1.356363e+08
3	2018-09-01	2018	1.440261e+08	105666.63	6784500.17	457366.41	10654973.47	1566651.88	8825870.43	1.724211e+08
4	2018-08-01	2018	1.540426e+08	201467.03	10709683.41	746513.13	17835577.80	2617149.00	6320153.44	1.924731e+08

• 按照年份分组求每个子类目市场的交易额总和

byyear = df.groupby('year').sum().reset_index()
byyear

	year	灭鼠杀虫剂	电蚊香套装	盘香灭蟑香蚊香盘	蚊香加热器	蚊香液	蚊香片	防霉防蛀片	colsums
0	2016	6.080471e+08	7666572.12	4.785285e+07	5905204.71	1.704905e+08	27980839.47	50023001.94	9.179661e+08
1	2017	8.477740e+08	9377531.68	8.635539e+07	10552841.02	3.300656e+08	49068587.96	62678822.18	1.395873e+09
2	2018	1.137893e+09	4537682.09	1.180885e+08	16836723.43	3.582077e+08	51845921.56	72701365.23	1.760111e+09

• 绘图前处理中文字体

plt.rcParams['font.sans-serif']='simhei'
plt.rcParams['axes.unicode_minus']=False

• 线图分析整体市场的趋势

# replot表示描述相关性的图标,height表图形的高度
sns.relplot('year','colsums',kind='line',marker='o',data=byyear,height=4)
plt.title('近三年驱虫市场趋势') # 加标题
plt.xticks(byyear.year,rotation=45) # 定义x轴标签
plt.xlabel('年份') # 定义x轴标题
plt.ylabel('总交易额') # 定义y轴标题
plt.show()

• 分析各类目市场销量趋势分析

# 图形大小
f, ax = plt.subplots(figsize=(10, 6))
# 线图中,由于有大于6个的分类,而线型最多6中,所以这里不区分线型,即dashes=False
sns.lineplot(data=byyear.set_index('year').iloc[:,:-1],dashes=False,marker='^')   #dashes=False  不区分线型
plt.title('近三年各类目市场销量趋势分析')
plt.xticks(byyear.year,rotation=45)
# 在指定位置加文本
for a,b in zip(byyear.year,byyear['灭鼠杀虫剂']):
    plt.text(a,b,'%.3e'% b , ha='center',va='bottom',size=12)
plt.xlabel('年份')
plt.ylabel('总交易额')
plt.show()

• 直观的查看灭鼠杀虫剂近三年的增量趋势

g = sns.FacetGrid(byyear,height=5)
g.map(sns.barplot,'year','灭鼠杀虫剂',color='wheat')
g.map(sns.pointplot,'year','灭鼠杀虫剂')
for a,b in zip(range(len(byyear)),byyear['灭鼠杀虫剂']):
    plt.text(a,b,'%.3e'% b , ha='center',va='bottom',size=12)
plt.xlabel('年份')
plt.title('近三年灭鼠灭虫市场增量趋势分析')
plt.xticks(rotation=45)
plt.show()

D:ProgramDataAnaconda3libsite-packagesseabornaxisgrid.py:715: UserWarning: Using the barplot function without specifying `order` is likely to produce an incorrect plot.
  warnings.warn(warning)
D:ProgramDataAnaconda3libsite-packagesseabornaxisgrid.py:715: UserWarning: Using the pointplot function without specifying `order` is likely to produce an incorrect plot.
  warnings.warn(warning)

• 查看各类目市场每年总交易额占比

# 计算每年每个子市场占比
byyear_per = byyear.iloc[:,1:-1].div(byyear.colsums,axis=0)
byyear_per.index = byyear.year
byyear_per

	灭鼠杀虫剂	电蚊香套装	盘香灭蟑香蚊香盘	蚊香加热器	蚊香液	蚊香片	防霉防蛀片
year
2016	0.662385	0.008352	0.052129	0.006433	0.185726	0.030481	0.054493
2017	0.607343	0.006718	0.061865	0.007560	0.236458	0.035153	0.044903
2018	0.646489	0.002578	0.067092	0.009566	0.203514	0.029456	0.041305

byyear_per.plot(kind='bar',stacked=True,figsize=(10,8),colormap='tab10')   #stacked=True  堆栈条形图
for a,b in zip(range(len(byyear_per)),byyear_per['灭鼠杀虫剂']):
    plt.text(a,b/2,f'{b*100:.2f}%', ha='center',va='bottom',size=16,color='white')
plt.xlabel('年份')
plt.ylabel('总交易额占比')
plt.title('近三年各类目市场销量占比')
plt.show()

• 查看各类目市场年增幅

# 计算年增幅
byyear0 = byyear.iloc[:,1:-1]
byyear_diff = byyear0.diff().iloc[1:,:].reset_index(drop=True)/byyear0.iloc[:2,:]
byyear_diff.index = ['16-17','17-18']
byyear_diff

	灭鼠杀虫剂	电蚊香套装	盘香灭蟑香蚊香盘	蚊香加热器	蚊香液	蚊香片	防霉防蛀片
16-17	0.394257	0.223171	0.804603	0.787041	0.935976	0.753650	0.253000
17-18	0.342213	-0.516111	0.367471	0.595468	0.085262	0.056601	0.159903

# 作图查看
f, ax = plt.subplots(figsize=(10, 8))
sns.lineplot(data=byyear_diff,dashes=False)
plt.title('近三年各类目市场销量年增幅')
plt.xlabel('年份')
plt.ylabel('总交易额年增幅')
plt.show()

市场集中度描述

• 读取对应数据,并且描述数据

df1 = pd.read_excel('top100品牌数据.xlsx')
df1.isna().mean()

品牌        0.0
行业排名      0.0
交易指数      0.0
交易增长幅度    0.0
支付转化指数    0.0
操作        0.0
dtype: float64

df1.head()

	品牌	行业排名	交易指数	交易增长幅度	支付转化指数	操作
0	PREMISE/拜灭士	1	530344	-0.3235	1521	趋势分析
1	科凌虫控	2	474937	-0.1910	1581	趋势分析
2	ARS/安速	3	402372	-0.2682	1448	趋势分析
3	思乐智	4	360780	0.2056	841	趋势分析
4	希诺	5	346656	-0.1085	1865	趋势分析

df1.describe(include='all')

	品牌	行业排名	交易指数	交易增长幅度	支付转化指数	操作
count	100	100.000000	100.000000	100.000000	100.000000	100
unique	100	NaN	NaN	NaN	NaN	1
top	罗贝特	NaN	NaN	NaN	NaN	趋势分析
freq	1	NaN	NaN	NaN	NaN	100
mean	NaN	50.500000	147327.560000	0.395790	1247.870000	NaN
std	NaN	29.011492	88177.182391	2.038278	350.304014	NaN
min	NaN	1.000000	65194.000000	-0.781900	577.000000	NaN
25%	NaN	25.750000	86129.000000	-0.266325	967.750000	NaN
50%	NaN	50.500000	118682.500000	-0.061800	1245.000000	NaN
75%	NaN	75.250000	163373.250000	0.334350	1491.500000	NaN
max	NaN	100.000000	530344.000000	17.675100	2000.000000	NaN

• 生成交易指数占比列,用以描述市场份额

df1['交易指数占比'] = df1['交易指数']/df1['交易指数'].sum()

• 图形描述交易指数占比

df1.plot(x='品牌',y='交易指数占比',kind='bar',figsize=(15,4))
plt.show()

• 计算HHI指标并打印

• Gini:不纯度,基尼系数越大越不纯

• HHI:市场纯度度量,越大越纯,越纯表明垄断了

HHI = sum(df1['交易指数占比']**2)
print(f'驱虫市场HHI指数:{HHI:.6f}(或{HHI*10000:.2f}),等效公司数:{1/HHI:.2f}')

驱虫市场HHI指数:0.013546(或135.46),等效公司数:73.82

灭鼠杀虫剂市场机会点分析

os.chdir('..')
os.chdir('./灭鼠杀虫剂细分市场')

加载数据,清洗数据

• 读文件,合并文件

filenames1 = glob.glob('*.xlsx')
dfs1 = [pd.read_excel(i) for i in filenames1]
df2 = pd.concat(dfs1,sort=False)

• 五个表的特征不同,故合并后的特征更多,并且会有大量缺失值

df2.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 6556 entries, 0 to 1742
Columns: 229 entries, 类别 to 产品名
dtypes: float64(129), int64(5), object(95)
memory usage: 11.5+ MB

• 这里认为如果一个特征的缺失值占比超过98%,则从全数据的角度看没有意义,直接删

ind1 = df2.isna().mean()>0.98
sum(ind1)

191

df20 = df2.loc[:,~ind1]

• 特征值完全一致的话也没有意义,可以直接删

ind2 = np.array([len(df20[i].unique())==1 for i in df20.columns])   #unique  查看是否有重复值
df21 = df20.loc[:,~ind2]

• 依据逻辑删除不可能会用到的列,例如链接

• 药品登记号后的列缺失值占比高,市场分析意义不大,故都不需要

ind3 = df21.columns.get_loc('药品登记号')
df22 = df21.iloc[:,:ind3]

• 其他逻辑上不用的列

useless = ['时间','链接','主图链接','主图视频链接',
           '页码','排名','宝贝标题','运费','下架时间','旺旺']
df23 = df22.drop(columns=useless)

• 查看清洗后的数据属性

df23.isna().mean()

类别        0.000000
宝贝ID      0.000000
销量（人数）    0.000000
售价        0.000000
预估销售额     0.005491
评价人数      0.022880
收藏人数      0.000000
地域        0.406955
店铺类型      0.000000
品牌        0.095333
型号        0.423276
净含量       0.421599
适用对象      0.279896
物理形态      0.286303
dtype: float64

df23.dtypes

类别         object
宝贝ID        int64
销量（人数）      int64
售价        float64
预估销售额     float64
评价人数      float64
收藏人数        int64
地域         object
店铺类型       object
品牌         object
型号         object
净含量        object
适用对象       object
物理形态       object
dtype: object

• 其中宝贝ID列是整数不合理,这里将类型改为object

df23 = df23.astype({'宝贝ID':'object'})
df23.reset_index(drop=True,inplace=True)
df23.describe()

	销量（人数）	售价	预估销售额	评价人数	收藏人数
count	6556.000000	6556.000000	6.520000e+03	6406.000000	6556.000000
mean	324.518609	39.559527	1.032676e+04	1942.746800	1345.778981
std	3207.470186	49.678113	7.851193e+04	13493.925308	6947.250438
min	0.000000	0.010000	1.000000e-02	0.000000	0.000000
25%	14.000000	13.900000	2.307375e+02	36.000000	33.000000
50%	26.000000	25.800000	6.741000e+02	160.000000	133.000000
75%	70.000000	48.000000	2.288000e+03	602.750000	496.500000
max	143037.000000	618.000000	2.672898e+06	502295.000000	234645.000000

df23.head()

	类别	宝贝ID	销量（人数）	售价	预估销售额	评价人数	收藏人数	地域	店铺类型	品牌	型号	净含量	适用对象	物理形态
0	杀虫	578459866289	99	29.9	2960.1	26.0	202	NaN	天猫	拜耳	特姆得	NaN	蟑螂	液体
1	杀虫	548196868239	99	0.6	59.4	1330.0	242	浙江 金华	淘宝	佰凌	180325	NaN	NaN	NaN
2	杀虫	580839295562	99	98.0	9702.0	44.0	27	广东 深圳	淘宝	NaN	NaN	NaN	NaN	NaN
3	杀虫	580264662322	99	6.9	683.1	24.0	26	河南 商丘	淘宝	SHURONGCROP/树荣作物	NaN	30g	NaN	NaN
4	杀虫	44484517973	99	18.8	1861.2	121.0	133	河北 秦皇岛	天猫	Raid/雷达	雷达杀虫气雾剂清香	600ml	蟑螂	喷雾

细化分析

• 进一步分析灭鼠杀虫剂市场中最受欢迎的产品类别,然后细分价格段,再对对应属性进一步分析

产品类别分布

byclass = df23['预估销售额'].groupby(df23['类别']).sum()

byclass

类别
杀虫     8207628.10
灭鼠    25686011.99
虱      4512886.01
螨     10886752.88
蟑螂    18037223.68
Name: 预估销售额, dtype: float64

byclass.plot.barh()

<matplotlib.axes._subplots.AxesSubplot at 0x1536ed24518>

byclass.plot.pie(autopct='%.2f')

<matplotlib.axes._subplots.AxesSubplot at 0x1536f592e48>

• 可以看出重点需要研究的市场是灭鼠和蟑螂,我们选择灭鼠

灭鼠类别分析

• 选择灭鼠数据

df24 = df23[df23['类别']=='灭鼠']

• 依价格划分

df24['售价'].describe()

count    1523.000000
mean       49.018910
std        69.762057
min         0.010000
25%        15.800000
50%        27.700000
75%        52.600000
max       498.000000
Name: 售价, dtype: float64

df24['售价'].plot.hist()

<matplotlib.axes._subplots.AxesSubplot at 0x15374a7d668>

bins = [0,50,100,150,200,250,300,500]
labels = ['0_50','50_100','100_150','150_200',
          '200_250','250_300','300以上']
df24['价格区间'] = pd.cut(df24['售价'],bins,labels=labels,include_lowest=True)
df24['价格区间'].value_counts()

C:ProgramsAnaconda3libsite-packagesipykernel_launcher.py:4: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy






0_50       1138
50_100      242
100_150      62
150_200      35
300以上        28
250_300       9
200_250       9
Name: 价格区间, dtype: int64

• 计算各价格区间的销售额,销售额占比,宝贝数,宝贝数占比,竞争度(单宝贝平均销售额的反面)

def byfun(df,by,sort='单宝贝平均销售额'):
    byc = pd.DataFrame(df.groupby(by).sum()).loc[:,['预估销售额']]
    byc['销售额占比'] = byc['预估销售额']/byc['预估销售额'].sum()
    byc['宝贝数'] = df.groupby(by).nunique()['宝贝ID']
    byc['宝贝数占比'] = byc['宝贝数']/byc['宝贝数'].sum()
    byc['单宝贝平均销售额'] = byc['预估销售额']/byc['宝贝数']
    byc['相对竞争度'] = 1 - (byc['单宝贝平均销售额']-byc['单宝贝平均销售额'].min())/(
                        byc['单宝贝平均销售额'].max()-byc['单宝贝平均销售额'].min())
    if sort:    
        byc.sort_values(sort,ascending=False,inplace=True)
    return byc

byprice1 = byfun(df24,'价格区间')
byprice1

	预估销售额	销售额占比	宝贝数	宝贝数占比	单宝贝平均销售额	相对竞争度
价格区间
200_250	2743758.00	0.106819	7	0.006173	391965.428571	0.000000
100_150	2758086.29	0.107377	46	0.040564	59958.397609	0.887218
300以上	819468.00	0.031903	18	0.015873	45526.000000	0.925786
250_300	237740.00	0.009256	9	0.007937	26415.555556	0.976854
150_200	629813.00	0.024520	28	0.024691	22493.321429	0.987336
50_100	3335060.19	0.129840	172	0.151675	19389.884826	0.995629
0_50	15162086.51	0.590286	854	0.753086	17754.199660	1.000000

• 定义制图函数

def mcplot(bydf,figsize=(10,4)):
    ax = bydf.plot(y='相对竞争度',linestyle='-',marker='o',figsize=figsize)
    bydf.plot(y='销售额占比',kind='bar',alpha=0.8,color='wheat',ax=ax)
    plt.show()

mcplot(byprice1)

• 结果依单宝贝销售额降序,即依竞争度升序
• 可见0-50容量大,竞争大,大容量市场(对比的是50-100,容量小,竞争稍小)
• 200-250,竞争小,做高价市场的优先选择,属于机会点

0-50细分价格市场分析

• 选择0-50细分价格市场

df25 = df24[df24['价格区间']=='0_50']

• 进一步细分价格区间

df25['售价'].plot.hist()

<matplotlib.axes._subplots.AxesSubplot at 0x15374802e10>

bins1 = [0,10,20,30,40,50]
labels1 = ['0_10','10_20','20_30','30_40','40_50']
df25['价格子区间'] = pd.cut(df25['售价'],bins1,labels=labels1,include_lowest=True)

C:ProgramsAnaconda3libsite-packagesipykernel_launcher.py:3: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy

byprice2 = byfun(df25,'价格子区间')
byprice2

	预估销售额	销售额占比	宝贝数	宝贝数占比	单宝贝平均销售额	相对竞争度
价格子区间
10_20	8102634.14	0.534401	272	0.318501	29789.096103	0.000000
20_30	4969620.92	0.327766	278	0.325527	17876.334245	0.411674
40_50	707568.49	0.046667	40	0.046838	17689.212250	0.418141
30_40	1240874.19	0.081841	98	0.114754	12661.981531	0.591869
0_10	141388.77	0.009325	166	0.194379	851.739578	1.000000

mcplot(byprice2)

• 可见10-20竞争度低,容量大,优选,20-30也不错
• 200-250细分市场也是同样的分析思路

细分市场的其他属性分析

• 查看其他属性的市场占有率和竞争

df25.isna().mean()

类别        0.000000
宝贝ID      0.000000
销量（人数）    0.000000
售价        0.000000
预估销售额     0.007030
评价人数      0.061511
收藏人数      0.000000
地域        0.501757
店铺类型      0.000000
品牌        0.152021
型号        0.350615
净含量       0.696837
适用对象      0.120387
物理形态      0.202109
价格区间      0.000000
价格子区间     0.000000
dtype: float64

df25.head()

	类别	宝贝ID	销量（人数）	售价	预估销售额	评价人数	收藏人数	地域	店铺类型	品牌	型号	净含量	适用对象	物理形态	价格区间	价格子区间
2000	灭鼠	566054780243	9976	26.8	267356.8	11901.0	11596	广东 韶关	天猫	优璇福	MT007	NaN	老鼠	胶水	0_50	20_30
2001	灭鼠	566054780243	9976	26.8	267356.8	NaN	11596	广东 深圳	天猫	优璇福	MT007	NaN	老鼠	胶水	0_50	20_30
2002	灭鼠	572115448996	9945	9.9	98455.5	26442.0	3569	NaN	淘宝	创驰	21/32	NaN	老鼠	固体	0_50	0_10
2003	灭鼠	39868408322	99	29.9	2960.1	20.0	352	河南 南阳	天猫	云杀	粘鼠板	NaN	老鼠	固体	0_50	20_30
2004	灭鼠	520282897220	99	39.9	3950.1	559.0	1250	NaN	淘宝	得硕	NaN	g	老鼠	固体	0_50	30_40

• 店铺类型

bystore = byfun(df25,'店铺类型')
bystore

	预估销售额	销售额占比	宝贝数	宝贝数占比	单宝贝平均销售额	相对竞争度
店铺类型
天猫	14019740.58	0.924658	220	0.257611	63726.093545	0.0
淘宝	1142345.93	0.075342	634	0.742389	1801.807461	1.0

mcplot(bystore)

• 可见天猫各个方面都优于淘宝

• 型号

bytype = byfun(df25,'型号',sort='预估销售额')

• 销售额排名前5%的型号,这里认为销售额靠前才更倾向于大众产品

bytype1 = bytype[bytype['预估销售额']>=bytype['预估销售额'].quantile(0.95)]
bytype1

	预估销售额	销售额占比	宝贝数	宝贝数占比	单宝贝平均销售额	相对竞争度
型号
超强力粘鼠板	2120129.32	0.142219	12	0.021661	176677.443333	0.669585
粘鼠板老鼠贴	2051699.02	0.137629	7	0.012635	293099.860000	0.451856
0005	927590.70	0.062223	2	0.003610	463795.350000	0.132628
驰天粘鼠板	876606.33	0.058803	4	0.007220	219151.582500	0.590151
QL-866	759629.30	0.050956	3	0.005415	253209.766667	0.526457
MT007	534713.60	0.035869	1	0.001805	534713.600000	0.000000
强力粘鼠魔毯	496974.60	0.033337	1	0.001805	496974.600000	0.070578
拜灭士5g	420982.40	0.028240	1	0.001805	420982.400000	0.212696
CQL-1	391271.40	0.026247	1	0.001805	391271.400000	0.268260
qb-031	368146.74	0.024695	6	0.010830	61357.790000	0.885251
希诺粘鼠板	362077.20	0.024288	1	0.001805	362077.200000	0.322858
祛螨包	320779.80	0.021518	1	0.001805	320779.800000	0.400090
粘鼠板	285096.86	0.019124	21	0.037906	13576.040952	0.974611
A1009	265719.20	0.017825	1	0.001805	265719.200000	0.503063
A1001	225685.20	0.015139	1	0.001805	225685.200000	0.577933
新款老鼠板	222272.40	0.014910	1	0.001805	222272.400000	0.584315
BK300（博克二代）	213570.00	0.014326	1	0.001805	213570.000000	0.600590
虫虫祛螨包	209308.20	0.014040	1	0.001805	209308.200000	0.608560
老鼠贴	209189.40	0.014033	4	0.007220	52297.350000	0.902196

mcplot(bytype1)

• 可见虽然粘鼠板市场份额普遍较高,但是0005在竞争度上有明显的优势

• 物理形态

byshape = byfun(df25,['物理形态'])
byshape

	预估销售额	销售额占比	宝贝数	宝贝数占比	单宝贝平均销售额	相对竞争度
物理形态
胶水	534713.60	0.040706	1	0.001490	534713.600000	0.000000
喷雾	275280.33	0.020956	6	0.008942	45880.055000	0.914433
粉状	322931.28	0.024584	9	0.013413	35881.253333	0.933137
固体	11381498.83	0.866443	583	0.868852	19522.296449	0.963738
液体	354235.50	0.026967	22	0.032787	16101.613636	0.970137
啫喱	256687.10	0.019541	38	0.056632	6754.923684	0.987622
5个1元硬币厚硬板	5226.00	0.000398	1	0.001490	5226.000000	0.990482
气体	1357.18	0.000103	1	0.001490	1357.180000	0.997719
油状	2341.60	0.000178	2	0.002981	1170.800000	0.998068
胶水纸板	358.20	0.000027	1	0.001490	358.200000	0.999588
声波	328.90	0.000025	1	0.001490	328.900000	0.999642
粘胶	235.20	0.000018	1	0.001490	235.200000	0.999818
粘鼠板	413.90	0.000032	3	0.004471	137.966667	1.000000
胶状	275.50	0.000021	2	0.002981	137.750000	1.000000

mcplot(byshape)

• 可见市场份额最高的是固体,竞争度也偏高,而胶水虽然竞争度低,但是市场份额较低

• 基本可以认为常见的物理形态就是固体

• 物理形态,净含量

byshape_con = byfun(df25,['物理形态','净含量'],['物理形态','预估销售额'])
byshape_con

		预估销售额	销售额占比	宝贝数	宝贝数占比	单宝贝平均销售额	相对竞争度
物理形态	净含量
胶水纸板	5片套	358.20	8.961336e-05	1	0.004098	358.200000	0.998289
粘鼠板	200g	207.00	5.178661e-05	1	0.004098	207.000000	0.999011
	30G	193.70	4.845926e-05	1	0.004098	193.700000	0.999075
粉状	50g	1105.00	2.764454e-04	2	0.008197	552.500000	0.997360
	90g	179.40	4.488173e-05	1	0.004098	179.400000	0.999143
液体	500g	165396.00	4.137825e-02	1	0.004098	165396.000000	0.209797
	450ML	51494.78	1.288280e-02	2	0.008197	25747.390000	0.876988
	450ml	37570.20	9.399195e-03	4	0.016393	9392.550000	0.955126
	500ml	17920.40	4.483270e-03	2	0.008197	8960.200000	0.957191
	450	180.00	4.503184e-05	1	0.004098	180.000000	0.999140
	100ml	111.86	2.798479e-05	1	0.004098	111.860000	0.999466
气体	30gm	1357.18	3.395351e-04	1	0.004098	1357.180000	0.993516
固体	1	2122422.34	5.309810e-01	17	0.069672	124848.372941	0.403519
	20g	243594.06	6.094160e-02	3	0.012295	81198.020000	0.612065
	118.5g	209308.20	5.236407e-02	1	0.004098	209308.200000	0.000000
	2.2KG	140739.32	3.520972e-02	2	0.008197	70369.660000	0.663799
	6个装	139575.50	3.491856e-02	1	0.004098	139575.500000	0.333158
	0.17KG	133950.00	3.351119e-02	1	0.004098	133950.000000	0.360035
	12粒	36313.20	9.084723e-03	1	0.004098	36313.200000	0.826508
	170g	27011.40	6.757628e-03	3	0.012295	9003.800000	0.956983
	020	23078.08	5.773602e-03	4	0.016393	5769.520000	0.972435
	610克	13132.80	3.285523e-03	1	0.004098	13132.800000	0.937256
	4片	12960.00	3.242292e-03	1	0.004098	12960.000000	0.938082
	200克	9943.20	2.487559e-03	2	0.008197	4971.600000	0.976247
	720g	9412.20	2.354715e-03	1	0.004098	9412.200000	0.955032
	170	9177.60	2.296023e-03	1	0.004098	9177.600000	0.956153
	40G胶	8977.50	2.245963e-03	1	0.004098	8977.500000	0.957109
	2303g	7810.00	1.953881e-03	1	0.004098	7810.000000	0.962687
	10张	7637.42	1.910706e-03	4	0.016393	1909.355000	0.990878
	60克胶水	7040.00	1.761245e-03	1	0.004098	7040.000000	0.966365
	...	...	...	...	...	...	...
	1n	16.20	4.052865e-06	1	0.004098	16.200000	0.999923
	0.082	16.00	4.002830e-06	1	0.004098	16.000000	0.999924
	25克	12.90	3.227282e-06	1	0.004098	12.900000	0.999938
	120g	11.00	2.751946e-06	1	0.004098	11.000000	0.999947
	个	10.00	2.501769e-06	1	0.004098	10.000000	0.999952
	陶土	8.80	2.201557e-06	1	0.004098	8.800000	0.999958
	10克胶水	7.20	1.801274e-06	1	0.004098	7.200000	0.999966
	0.08kg	7.04	1.761245e-06	1	0.004098	7.040000	0.999966
	110g	3.32	8.305872e-07	1	0.004098	3.320000	0.999984
	0.02	1.50	3.752653e-07	1	0.004098	1.500000	0.999993
	1kg	0.00	0.000000e+00	1	0.004098	0.000000	1.000000
喷雾	600ml	274808.80	6.875081e-02	2	0.008197	137404.400000	0.343531
	500ML	179.49	4.490425e-05	2	0.008197	89.745000	0.999571
	450ml	160.00	4.002830e-05	1	0.004098	160.000000	0.999236
	500ml	132.04	3.303335e-05	1	0.004098	132.040000	0.999369
啫喱	12g	135912.00	3.400204e-02	1	0.004098	135912.000000	0.350661
	10克/支	40650.00	1.016969e-02	1	0.004098	40650.000000	0.805789
	10g	4452.80	1.113988e-03	2	0.008197	2226.400000	0.989363
	4g	2851.20	7.133043e-04	1	0.004098	2851.200000	0.986378
	20g	2600.00	6.504599e-04	1	0.004098	2600.000000	0.987578
	150	582.50	1.457280e-04	1	0.004098	582.500000	0.997217
	50克	336.00	8.405943e-05	1	0.004098	336.000000	0.998395
	45g	112.00	2.801981e-05	1	0.004098	112.000000	0.999465
	0.18	105.00	2.626857e-05	1	0.004098	105.000000	0.999498
	40g	39.50	9.881987e-06	1	0.004098	39.500000	0.999811
	240g	33.00	8.255837e-06	1	0.004098	33.000000	0.999842
	400g	29.90	7.480289e-06	1	0.004098	29.900000	0.999857
	30g4	28.14	7.039977e-06	1	0.004098	28.140000	0.999866
	40克	19.50	4.878449e-06	1	0.004098	19.500000	0.999907
	约50克	5.40	1.350955e-06	1	0.004098	5.400000	0.999974

160 rows × 6 columns

mcplot(byshape_con,(30,10))

• 可见当物理形态为固体,净含量为1时,潜力较大

竞争分析

os.chdir('..')
os.chdir('./竞争数据')

品类分布(占比)

os.chdir('./商品销售数据')

• 加载数据

filenames2 = glob.glob('*.xlsx')
filenames2

['安速家居近30天销售数据.xlsx', '拜耳近30天销售数据.xlsx', '科凌虫控旗舰店近30天销售数据.xlsx']

• 查看数据

def load_xlsx1(filename):
    df = pd.read_excel(filename)
    useless = ['序号','店铺名称','主图链接',
               '商品链接','商品名称']
    df.drop(columns=useless,inplace=True)
    return df

df3bai = load_xlsx1(filenames2[1])
df3bai.head()

	商品ID	商品原价	商品售价	30天销售量	总销量	类目	物理形态	型号	净含量	使用对象	销售额
0	527604730327	109.0	39.9	43542	3023212	灭鼠/杀虫剂	啫喱	5g	5g	蟑螂	1737325.8
1	535731556857	199.0	59.9	4860	285440	灭鼠/杀虫剂	啫喱	拜灭易	12g	蚂蚁	291114.0
2	530229854741	199.0	89.9	838	70516	灭鼠/杀虫剂	液体	特密得100ml	100ml	白蚁	75336.2
3	569753894890	198.0	79.9	1487	19602	灭鼠/杀虫剂	啫喱	拜灭士5g-除敌	5g+5ml*4	蟑螂	118811.3
4	549862604116	109.0	39.9	1641	155203	灭鼠/杀虫剂	液体	除敌	20ml	杀虫剂	65475.9

df3an = load_xlsx1(filenames2[0])
df3an.head()

	商品ID	商品原价	商品售价	30天销售量	总销量	类目	适用对象	30天销售额
0	527032566392	60.0	54.4	2540	236321	灭鼠/杀虫剂	蟑螂	138176.0
1	534230487113	32.0	29.9	883	10498	灭鼠/杀虫剂	蟑螂	26401.7
2	527797679530	33.4	29.9	1073	117070	灭鼠/杀虫剂	蟑螂	32082.7
3	527113108079	48.0	45.5	471	55672	灭鼠/杀虫剂	蟑螂	21430.5
4	531350777813	58.0	48.0	566	19705	灭鼠/杀虫剂	蟑螂	27168.0

df3kl = load_xlsx1(filenames2[2])
df3kl.head()

	商品ID	商品原价	商品售价	30天销售量	总销量	类目	适用对象	30天销售额
0	541418255867	49.9	16.8	76608	3175991	灭鼠/杀虫剂	蟑螂	1287014.4
1	528722144927	39.0	19.8	5852	174989	灭鼠/杀虫剂	蟑螂	115869.6
2	545526161662	49.9	39.0	2497	74352	灭鼠/杀虫剂	蟑螂	97383.0
3	536261470312	49.0	29.8	540	76572	灭鼠/杀虫剂	蛾	16092.0
4	553350699341	48.9	13.8	6408	324171	灭鼠/杀虫剂	鼠	88430.4

类目

bai31 = df3bai.groupby('类目').sum()
bai31

	商品ID	商品原价	商品售价	30天销售量	总销量	销售额
类目
灭鼠/杀虫剂	8286108792066	2623.0	1195.0	59185	3720411	2673315.2

an31 = df3an.groupby('类目').sum()
an31

	商品ID	商品原价	商品售价	30天销售量	总销量	30天销售额
类目
漱口水	1130081741597	208.0	149.8	127	2710	9137.3
灭鼠/杀虫剂	15853551883006	1650.3	1196.7	11082	564638	494539.3
空气芳香剂	1620098374783	196.8	141.9	118	7065	4668.6
空调清洁剂	1056404562798	122.9	113.0	151	32939	10420.9
蚊香液	3878968356851	565.0	344.6	573	42000	24343.6
蚊香片	1129949034942	157.0	81.0	1	230	45.0

kl31 = df3kl.groupby('类目').sum()
kl31

	商品ID	商品原价	商品售价	30天销售量	总销量	30天销售额
类目
其它园艺用品	552695315776	39.9	26.0	880	41667	22880.0
灭鼠/杀虫剂	13109439326249	1728.4	817.2	163833	4416228	3734597.0
灭鼠笼/捕鼠器	1112465425997	88.9	42.7	2315	46760	62293.0

• 作图查看占比的不同

fig, axes = plt.subplots(1, 3, figsize=(10, 6))
ax = axes[0]
bai31['销售额'].plot.pie(autopct='%.f',title='拜耳',startangle=30,ax=ax)
ax.set_ylabel('')
ax = axes[1]
an31['30天销售额'].plot.pie(autopct='%.f',title='安速',startangle=60,ax=ax)
ax.set_ylabel('')
ax = axes[2]
kl31['30天销售额'].plot.pie(autopct='%.f',title='科凌虫控',startangle=90,ax=ax)
ax.set_ylabel('')
plt.show()

• 可见拜耳只有一个市场，其他的有不同市场，但主要市场都是灭鼠杀虫剂

适用对象

bai32 = df3bai.groupby('使用对象').sum()
bai32

	商品ID	商品原价	商品售价	30天销售量	总销量	销售额
使用对象
上门服务	578090143145	199.0	99.0	74	308	7326.0
杀虫剂	1074833731154	208.0	79.8	2593	187382	103460.7
白蚁	530229854741	199.0	89.9	838	70516	75336.2
蚂蚁	1106313745903	448.0	173.9	4989	286942	305820.0
蟑螂	4996641317123	1569.0	752.4	50691	3175263	2181372.3

an32 = df3an.groupby('适用对象').sum()
an32

	商品ID	商品原价	商品售价	30天销售量	总销量	30天销售额
适用对象
杀虫剂	4366320607112	435.7	349.6	755	19416	34687.5
漱口水	1130081741597	208.0	149.8	127	2710	9137.3
空气芳香剂	1620098374783	196.8	141.9	118	7065	4668.6
空调清洁剂	1056404562798	122.9	113.0	151	32939	10420.9
蚂蚁	563628133715	29.0	22.2	53	833	1176.6
蚊	5008917391793	722.0	425.6	574	42230	24388.6
蝇	564993565252	48.0	24.8	515	16551	12772.0
螨	2820972369214	399.0	242.6	3302	19587	164381.3
蟑螂	6446879299188	654.0	481.3	6178	500064	268585.3
鼠	1090757908525	84.6	76.2	279	8187	12936.6

kl32 = df3kl.groupby('适用对象').sum()
kl32

	商品ID	商品原价	商品售价	30天销售量	总销量	30天销售额
适用对象
其它园艺用品	552695315776	39.9	26.0	880	41667	22880.0
虫	1606589035658	247.6	118.6	37	6596	2035.0
虱	559335827678	65.0	25.1	7395	80838	185614.5
蛾	1074897437670	77.0	44.3	575	78354	16599.5
螨	1143807512213	198.0	78.8	36037	145055	1114222.4
蟑螂	2193692130180	237.8	105.5	85785	3427031	1525024.2
鼠	7643582808847	991.9	487.6	36319	725114	953394.4

• 作图

fig, axes = plt.subplots(1, 3, figsize=(10, 6))
ax = axes[0]
bai32['销售额'].plot.pie(autopct='%.f',title='拜耳',startangle=30,ax=ax)
ax.set_ylabel('')
ax = axes[1]
an32['30天销售额'].plot.pie(autopct='%.f',title='安速',startangle=60,ax=ax)
ax.set_ylabel('')
ax = axes[2]
kl32['30天销售额'].plot.pie(autopct='%.f',title='科凌虫控',startangle=90,ax=ax)
ax.set_ylabel('')
plt.show()

• 拜耳的主要对象是蟑螂,而另外两家除此之外还有螨，鼠
• 而从之前的分析看灭鼠和蟑螂的整体市场份额都大
• 应该开拓新市场,尤其是灭鼠,也考察其他两家都开拓的螨市场

产品结构分析

os.chdir('..')
os.chdir('./商品交易数据')

• 拜耳,安速,科凌虫控的数据分开读取分析
• 主要分析产品结构
• 由于分析过程相似,故都封装成函数方便分析

filenames3 = glob.glob('*.xlsx')
filenames3

['安速全店商品交易数据.xlsx', '拜耳全店商品交易数据.xlsx', '科凌虫控全店商品交易数据.xlsx']

拜耳

• 读数据

df4bai = pd.read_excel(filenames3[1])
df4bai.head()

	品牌	时间	商品	行业排名	交易指数	交易增长幅度	支付转化指数	操作	交易金额
0	拜耳	2018-07-01	德国拜耳拜灭士蟑螂药一窝端杀蟑胶饵灭蟑螂屋无毒克星家用全窝端	1	583483	0.0350	1500	趋势分析	9354158.37
1	拜耳	2018-07-01	进口蟑螂药一窝端德国拜耳拜灭士强力杀蟑胶饵蟑螂屋克星家用全窝	6	278542	0.1258	1194	趋势分析	2470202.91
2	拜耳	2018-07-01	德国拜耳进口蚂蚁药拜灭易灭蚁饵剂除杀蚂蚁杀虫剂家用室内全窝端	11	212329	0.5070	1328	趋势分析	1518114.06
3	拜耳	2018-07-01	进口蟑螂药德国拜耳拜灭士灭杀蟑胶饵剂粉屋克星全窝端12g家用	44	107697	-0.2044	1117	趋势分析	451897.06
4	拜耳	2018-07-01	德国拜耳 除敌跳蚤杀虫剂家用灭蟑螂药虱子杀潮虫臭虫除虫剂喷雾	45	105901	-0.2134	936	趋势分析	438583.74

df4bai.info()
df4bai['商品'].value_counts().count()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 142 entries, 0 to 141
Data columns (total 9 columns):
品牌        142 non-null object
时间        142 non-null datetime64[ns]
商品        142 non-null object
行业排名      142 non-null int64
交易指数      142 non-null int64
交易增长幅度    142 non-null float64
支付转化指数    142 non-null int64
操作        142 non-null object
交易金额      142 non-null float64
dtypes: datetime64[ns](1), float64(2), int64(3), object(3)
memory usage: 10.1+ KB





44

• 五个月的数据,每个商品至多五个月都有,至少有一个月,故需要对商品分类汇总

• 自定义分类汇总函数

def byproduct(df):
    dfb = df.groupby('商品').mean().loc[:,['交易增长幅度']]
    dfb['交易金额'] = df.groupby('商品').sum()['交易金额']
    dfb['交易金额占比'] = dfb['交易金额']/dfb['交易金额'].sum()
    dfb['商品个数'] = df.groupby('商品').count()['交易金额']
    dfb.reset_index(inplace=True)
    return dfb

bai4 = byproduct(df4bai)
bai4.head(5)

	商品	交易增长幅度	交易金额	交易金额占比	商品个数
0	17年德国拜耳进口蚂蚁药拜灭易灭蚁饵剂粉除杀蚂蚁杀虫剂全窝端	-0.247600	42340.55	0.000523	1
1	德国原装进口拜耳蟑螂药全窝端拜灭士5g+12g杀蟑胶饵剂粉屋捕捉器	-0.120333	197377.17	0.002439	3
2	德国拜耳 除敌跳蚤杀虫剂家用灭蟑螂药虱子杀潮虫臭虫除虫剂喷雾	-0.221080	1394780.59	0.017232	5
3	德国拜耳丁香医生限量款拜灭士加量家用蟑螂全窝端蟑螂药3支装	1.279300	26742.75	0.000330	1
4	德国拜耳上门除灭鼠灭白蚁蟑螂蚊子跳蚤苍蝇上海地区灭虫按件拍下	2.439300	28969.28	0.000358	1

bai4.describe()

	交易增长幅度	交易金额	交易金额占比	商品个数
count	44.000000	4.400000e+01	44.000000	44.000000
mean	25.539933	1.839560e+06	0.022727	3.227273
std	155.083825	6.321050e+06	0.078095	1.668639
min	-0.292100	2.255362e+04	0.000279	1.000000
25%	-0.061040	6.828508e+04	0.000844	1.750000
50%	0.109000	2.061879e+05	0.002547	3.000000
75%	1.287410	7.673291e+05	0.009480	5.000000
max	1030.000000	4.010385e+07	0.495473	5.000000

• 其中交易增长幅度可表示市场发展率,交易金额占比可表示市场份额

• 这两个指标的最大值都远大于3/4分位数,认为是异常值,考虑引入盖帽法,方便后续作图

• 定义盖帽法函数(只考虑右边的尾巴盖帽)

def block(x):
    qu = x.quantile(.9)
    out = x.mask(x>qu,qu)
    return(out)

• 定义分别对两个指标盖帽的函数

def block2(df):
    df1 = df.copy()
    df1['交易增长幅度'] = block(df1['交易增长幅度'])
    df1['交易金额占比'] = block(df1['交易金额占比'])
    return df1

bai41 = block2(bai4)
bai41.describe()

	交易增长幅度	交易金额	交易金额占比	商品个数
count	44.000000	4.400000e+01	44.000000	44.000000
mean	1.171668	1.839560e+06	0.007699	3.227273
std	2.212537	6.321050e+06	0.010333	1.668639
min	-0.292100	2.255362e+04	0.000279	1.000000
25%	-0.061040	6.828508e+04	0.000844	1.750000
50%	0.109000	2.061879e+05	0.002547	3.000000
75%	1.287410	7.673291e+05	0.009480	5.000000
max	6.717030	4.010385e+07	0.031863	5.000000

• 可见盖帽后指标不那么异常,方便作图观察

• 定义作图函数

def plotBOG(df,mean=False,q1=0.5,q2=0.5):
    f, ax = plt.subplots(figsize=(10, 8))
    ax = sns.scatterplot('交易金额占比','交易增长幅度',
                         hue='商品个数',size='商品个数',sizes=(20,200),
                         palette = 'cool',legend='full',data=df)
    for i in range(0,len(df)):
        ax.text(df['交易金额占比'][i]+0.001,df['交易增长幅度'][i],i)
    if mean:
        plt.axvline(df['交易金额占比'].mean())
        plt.axhline(df['交易增长幅度'].mean())
    else:
        plt.axvline(df['交易金额占比'].quantile(q1))
        plt.axhline(df['交易增长幅度'].quantile(q2))
    plt.show()

• 以平均值作为波士顿矩阵的分隔线

plotBOG(bai41,mean=True)

• 以中位数作为波士顿矩阵的分隔线

plotBOG(bai41)

• 可以根据实际的业务选择区间的分隔线,由行业经验确定(如果认为增幅0.1在行业里算高,就可以作为分隔线)

• 明星产品和奶牛产品的商品个数普遍比较多

• 没有突出的明星产品,但是有快进入明星产品的问题产品

• 查看各个产品结构的产品(除了瘦狗)

• 各种产品排序,关心点不同,排序依据不同

  • 明星产品:都关心,依什么排序都可以,产品一般不多
  • 奶牛产品:老爆款,关心市场份额,依交易金额占比排序
  • 问题产品,潜力款,关心市场增长率,依交易增长幅度排序

• 这里要查看实际数据,故使用盖帽前数据

def extractBOG(df,q1=0.5,q2=0.5,by='交易金额占比'):
    # 明星产品
    star = df.loc[(df['交易金额占比']>=df['交易金额占比'].quantile(q1)
            ) & (df['交易增长幅度']>=df['交易增长幅度'].quantile(q2)),:]
    star = star.sort_values(by,ascending=False)
    # 奶牛产品
    cow = df.loc[(df['交易金额占比']>=df['交易金额占比'].quantile(q1)
            ) & (df['交易增长幅度']<df['交易增长幅度'].quantile(q2)),:]
    cow = cow.sort_values(by,ascending=False)
    # 问题产品
    que = df.loc[(df['交易金额占比']<df['交易金额占比'].quantile(q1)
            ) & (df['交易增长幅度']>=df['交易增长幅度'].quantile(q2)),:]
    que = que.sort_values(by,ascending=False)
    return star,cow,que

baistar,baicow,baique = extractBOG(bai4)
baistar1,baicow1,baique1 = extractBOG(bai4,by='交易增长幅度')

• 拜耳明星产品

baistar

	商品	交易增长幅度	交易金额	交易金额占比	商品个数
6	德国拜耳拜灭士5g+除敌5ml*4支进口蟑螂药家用全窝端杀蟑螂套装	1.311740	1484952.41	0.018346	5
20	德国拜耳除敌杀虫剂灭蟑螂药跳蚤苍蝇臭虫除螨虱子喷雾5ml*8	0.325580	983199.69	0.012147	5
25	拜耳拜灭士 蟑螂药家用全窝端 强力灭除厨房蟑螂屋克星杀德国进口	1.454067	413902.42	0.005114	3
8	德国拜耳拜灭士蟑螂药一窝端进口全窝端家用灭除杀蟑胶饵5g包邮	29.260600	236386.32	0.002920	1

• 主要是除蟑和杀虫,但是占比不大,增幅一般

• 拜耳奶牛产品/老爆款

baicow

	商品	交易增长幅度	交易金额	交易金额占比	商品个数
7	德国拜耳拜灭士蟑螂药一窝端杀蟑胶饵灭蟑螂屋无毒克星家用全窝端	-0.121360	40103850.97	0.495473	5
39	进口蟑螂药一窝端德国拜耳拜灭士强力杀蟑胶饵蟑螂屋克星家用全窝	-0.034680	13617307.87	0.168238	5
18	德国拜耳进口蚂蚁药拜灭易灭蚁饵剂除杀蚂蚁杀虫剂家用室内全窝端	-0.056240	6130488.42	0.075741	5
42	进口蟑螂药德国拜耳拜灭士灭杀蟑胶饵剂粉屋克星全窝端12g家用	0.070960	3589799.54	0.044351	5
30	蟑螂药一窝端德国拜耳拜灭士除蟑灭杀蟑螂克星全窝端家用杀蟑胶	0.038900	2976922.63	0.036779	5
41	进口蟑螂药德国拜耳拜灭士杀蟑胶饵蟑螂克星全窝端家用灭蟑屋12g	-0.127140	1650681.34	0.020394	5
10	德国拜耳拜灭易灭蚁饵剂粉除杀防蚂蚁药杀虫剂全窝端家用室内花园	-0.027300	1520126.15	0.018781	5
2	德国拜耳 除敌跳蚤杀虫剂家用灭蟑螂药虱子杀潮虫臭虫除虫剂喷雾	-0.221080	1394780.59	0.017232	5
31	蟑螂药德国拜耳拜灭士强力除杀蟑螂克星胶饵屋家用捕捉器贴全窝端	0.011680	1198694.67	0.014810	5
27	拜耳蟑螂药一窝端家用拜灭士杀蟑胶饵德国小强药粉灭蟑螂厨房克星	0.035400	695372.27	0.008591	3
36	进口蟑螂药 德国拜耳拜灭士家用杀蟑螂胶饵捕捉器蟑螂屋粉全窝端	-0.148240	582636.66	0.007198	5
15	德国拜耳进口白蚁药除灭防杀白蚁杀虫剂全窝端家用特傚触杀型粉药	-0.134425	564169.77	0.006970	4
23	必抢 德国进口拜耳蟑螂克星家用小强全窝端蟑螂药杀蟑胶饵灭蟑17g	-0.292100	561689.93	0.006940	4
19	德国拜耳除敌杀虫剂灭蚊蟑螂蚂蚁药跳蚤苍蝇臭虫除螨虱子家用	-0.075440	393582.71	0.004863	5
14	德国拜耳跳蚤杀虫剂家用潮虫灭蛾蚋虱子臭虫药除蟑螂5ml*4	0.007220	318059.43	0.003930	5
5	德国拜耳拜灭士5g+拜灭易12g进口杀蟑螂蚂蚁药蟑螂克星家用全窝端	0.048340	251225.58	0.003104	5
29	蟑螂药30克拜灭士德国拜耳进口安全灭蟑螂杀蟑胶饵颗粒剂传染传毒	-0.107200	221081.46	0.002731	4
16	德国拜耳进口蚂蚁药家用拜灭易灭蚁饵剂杀蚂蚁杀虫剂室内全窝端蚁	-0.047140	214998.61	0.002656	5

• 可见占比最高的是除蟑,灭虫也占一部分,占比一般

• 拜耳问题产品/潜力款

baique1

	商品	交易增长幅度	交易金额	交易金额占比	商品个数
28	电子猫超声波驱鼠器家用大功率灭鼠防鼠赶老鼠夹药捕鼠干扰粘鼠板	1030.000000	41046.03	0.000507	1
40	进口蟑螂药一窝端德国拜耳拜灭士杀蟑胶饵诱防蟑螂屋全窝端5+12g	31.218500	67043.14	0.000828	1
11	德国拜耳拜灭易进口蚂蚁药一窝端灭蚁饵剂清除蚂蚁粉家用全窝端	7.867000	32246.39	0.000398	1
26	拜耳灭蚂蚁药家用一窝端室内室外用杀小黄红蚂蚁药神器胶饵拜灭易	7.442700	22553.62	0.000279	1
12	德国拜耳白蚁药杀虫剂全窝端家用除杀防治灭飞蚂蚁特密得预防装修	5.023800	55113.41	0.000681	1
4	德国拜耳上门除灭鼠灭白蚁蟑螂蚊子跳蚤苍蝇上海地区灭虫按件拍下	2.439300	28969.28	0.000358	1
24	拜灭士蟑螂药蟑螂克星家用无毒强力灭蟑清德国拜耳杀蟑饵剂全窝端	1.797267	140032.47	0.001730	3
33	蟑螂药进口德国拜耳拜灭士家用除杀蟑螂屋胶饵捕捉器强力清全窝端	1.465350	101079.33	0.001249	2
3	德国拜耳丁香医生限量款拜灭士加量家用蟑螂全窝端蟑螂药3支装	1.279300	26742.75	0.000330	1
13	德国拜耳蟑螂药拜灭士杀蟑胶饵蟑螂克星全窝端家用灭蟑加量装12g	1.069050	68699.06	0.000849	2
35	进口蚂蚁药德国拜耳拜灭易杀蚁胶饵灭蚁饵剂红黑黄蚂蚁全窝端家用	0.742200	33514.83	0.000414	1
21	德国进口拜耳蟑螂药拜灭士杀灭除蟑胶饵剂粉屋家用全窝端12g*2盒	0.586000	28605.01	0.000353	1
32	蟑螂药拜耳拜灭士杀蟑胶饵强力灭蟑清贴捕捉器蟑螂克星家用全窝端	0.538100	55395.16	0.000684	2
9	德国拜耳拜灭易12g+除敌5ml*4支 进口蚂蚁药全窝端家用杀虫剂组合	0.450550	89566.01	0.001107	2
17	德国拜耳进口蚂蚁药拜灭易灭蚁饵剂除杀蚂蚁无毒家用室内全窝端	0.364950	93400.98	0.001154	2
38	进口蟑螂药 德国拜耳拜灭士杀蟑螂胶饵剂33克灭蟑螂药全窝端家用	0.331367	143883.32	0.001778	3
43	预售德国拜耳进口蟑螂药进口蚂蚁药组合装5g+12g	0.218150	85546.09	0.001057	2
22	德国进口拜耳蟑螂药拜灭士杀蟑胶饵5g两盒套装全窝端杀灭蟑螂剂屋	0.147040	189376.20	0.002340	5

• 可见大部分仍然是灭蟑和杀虫

• 交易增长幅度最大的是灭鼠,而之前描述过灭鼠有最高的市场份额,可以作为下一步着力点

• 总结:拜耳大部分产品集中在除蟑上,杀虫也有一定的规模,但是明星产品略乏力,可以进一步发展问题产品灭鼠为明星产品

安速

• 读数据,描述

df4an = pd.read_excel(filenames3[0])
df4an.head(2)

	日期	商品	行业排名	交易指数	交易增长幅度	支付转化指数	操作	交易金额
0	2018-07-01	日本安速小强恢恢蟑螂屋纸盒子捕捉器药灭杀强力家用贴克星全窝端	3	310517	0.6037	1445	趋势分析	3002740.75
1	2018-07-01	日本进口安速小强恢恢灭蟑螂屋药无毒捕捉器克星家用强力清全窝端	25	151749	-0.2359	1200	趋势分析	832540.52

df4an.info()
df4an['商品'].value_counts().count()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 141 entries, 0 to 140
Data columns (total 8 columns):
日期        141 non-null datetime64[ns]
商品        141 non-null object
行业排名      141 non-null int64
交易指数      141 non-null int64
交易增长幅度    141 non-null float64
支付转化指数    141 non-null int64
操作        141 non-null object
交易金额      141 non-null float64
dtypes: datetime64[ns](1), float64(2), int64(3), object(2)
memory usage: 8.9+ KB





49

• 汇总指标

an4 = byproduct(df4an)
an4.describe()

	交易增长幅度	交易金额	交易金额占比	商品个数
count	49.000000	4.900000e+01	49.000000	49.000000
mean	1.831989	6.150227e+05	0.020408	2.877551
std	6.706975	1.954368e+06	0.064851	1.666241
min	-0.641300	1.916612e+04	0.000636	1.000000
25%	-0.059500	4.044140e+04	0.001342	1.000000
50%	0.176750	1.162554e+05	0.003858	3.000000
75%	0.604900	4.153983e+05	0.013784	5.000000
max	42.014300	1.329498e+07	0.441164	5.000000

• 盖帽法处理

an41 = block2(an4)
an41.describe()

	交易增长幅度	交易金额	交易金额占比	商品个数
count	49.000000	4.900000e+01	49.000000	49.000000
mean	0.593263	6.150227e+05	0.008969	2.877551
std	1.160903	1.954368e+06	0.009983	1.666241
min	-0.641300	1.916612e+04	0.000636	1.000000
25%	-0.059500	4.044140e+04	0.001342	1.000000
50%	0.176750	1.162554e+05	0.003858	3.000000
75%	0.604900	4.153983e+05	0.013784	5.000000
max	3.530507	1.329498e+07	0.029506	5.000000

• BCG图

plotBOG(an41)

• 可见奶牛产品足,明星产品部分有前途,问题产品部分有潜力,瘦狗产品不多

• 查看具体产品

anstar,ancow,anque = extractBOG(an4)
anstar1,ancow1,anque1 = extractBOG(an4,by='交易增长幅度')

• 安速明星

anstar

	商品	交易增长幅度	交易金额	交易金额占比	商品个数
35	日本安速蟑螂小屋灭除杀蟑螂药一窝端神器捕捉器家用克星小强恢恢	0.440000	881587.79	0.029254	5
34	日本安速蚂蚁药灭蚂蚁清驱除杀红蚂蚁小黄蚂蚁全窝端家用室内花园	21.464140	444230.43	0.014741	5
21	日本安速小黑帽小强黑克杀蟑饵剂9枚 蟑螂药屋蟑螂克星家用全窝端	0.419900	320927.90	0.010649	4
39	日本进口安速天然除螨喷雾剂350ml床上免洗家用正品螨虫非除杀菌	3.859333	304915.11	0.010118	3
0	10枚装日本进口安速小强恢恢蟑螂屋诱捕捉器杀药贴环保无毒包邮	0.176750	217061.51	0.007203	4
43	日本进口安速小强恢恢蟑螂屋5片药捕捉器灭杀蟑螂克星家用全窝端	0.189600	215689.30	0.007157	4
29	日本安速红阿斯杀虫烟雾剂20g弹烟熏灭跳蚤蟑螂药克星家用全窝端	0.399800	193282.28	0.006414	4
18	日本安速小强恢恢蟑螂屋灭蟑螂强力捕捉器诱捕器除杀蟑螂清药贴	0.227425	142604.89	0.004732	4

• 杀虫和除蟑表现都不错

• 安速奶牛

ancow

	商品	交易增长幅度	交易金额	交易金额占比	商品个数
19	日本安速小强恢恢蟑螂屋纸盒子捕捉器药灭杀强力家用贴克星全窝端	0.012180	13294975.97	0.441164	5
41	日本进口安速小强恢恢灭蟑螂屋药无毒捕捉器克星家用强力清全窝端	-0.111000	3685204.19	0.122285	5
40	日本进口安速小强恢恢杀蟑灭蟑螂屋10枚捕捉器不含蟑螂药	-0.000740	2354769.41	0.078138	5
24	日本安速小黑帽蟑螂屋家用强力灭蟑螂药环保无毒无味除小强包邮	0.072400	1083611.82	0.035957	5
16	日本安速小强恢恢蟑螂屋家用杀蟑胶饵小蟑螂药无毒蟑螂克星全窝端	-0.254840	919683.22	0.030518	5
1	✅【10枚装】日本进口安速小强恢恢蟑螂屋捕捉器杀药贴家用全窝端	-0.159780	812113.82	0.026948	5
32	日本安速红阿斯烟雾杀虫剂灭跳蚤药烟弹家用神器螨虫克星送蟑螂屋	0.095920	762628.32	0.025306	5
46	日本进口安速红阿斯杀虫烟雾剂弹烟熏灭跳蚤蟑螂克星家用全窝端	-0.120460	622279.57	0.020649	5
6	原装进口日本安速红阿斯杀虫烟雾剂熏杀灭跳蚤臭虫螨虫蟑螂20克	-0.283000	480525.86	0.015945	4
17	日本安速小强恢恢蟑螂屋捕捉器神器厨房清灭强力贴克星家用全窝端	-0.059500	423102.79	0.014040	5
20	日本安速小强恢恢蟑螂屋药6片 无毒捕捉器强力灭清克星家用全窝端	-0.203980	415398.34	0.013784	5
38	日本安速除螨虫喷雾剂床上免洗祛去螨虫喷剂家用杀菌送除螨包神器	-0.102467	358839.15	0.011907	3
45	日本进口安速杀蝇饵剂苍蝇药1盒 粘蝇纸灭苍蝇贴强力神家用捕蝇器	0.012960	293644.17	0.009744	5
26	日本安速小黑帽蟑螂屋蟑螂药克星家用安全无毒强力灭蟑清全窝端！	-0.209850	279383.03	0.009271	4
36	日本安速蟑螂药12枚家用灭杀蟑螂屋胶饵剂清强力捕捉器克星全窝端	-0.137750	184701.40	0.006129	4
15	日本安速小强恢恢蟑螂屋6片家用无毒蟑螂贴捕捉器克星家用全窝端	-0.301267	168503.43	0.005591	3
31	日本安速红阿斯杀虫烟雾剂弹烟熏强力灭跳蚤蟑螂药克星家用全窝端	-0.010433	116255.35	0.003858	3

• 主要是除蟑,和拜耳产生竞争

• 安速问题

anque1

	商品	交易增长幅度	交易金额	交易金额占比	商品个数
4	冲销量日本安速小黑帽蟑螂屋蟑螂药家用强力灭蟑清安全无毒小强	42.01430	32034.34	0.001063	1
37	日本安速除螨虫喷雾剂床上免洗去螨虫神器喷剂家用非杀菌送除螨包	6.64800	41991.71	0.001393	1
13	日本安速ARS地球制药earth小飞虫恢恢果蝇诱捕器单只装 0315	4.36430	40441.40	0.001342	1
27	日本安速杀蟑气雾剂精纯无味型2瓶 灭蟑螂药杀虫剂家用潮虫百虫灵	3.44830	52292.37	0.001735	2
42	日本进口安速小强恢恢蟑螂屋5片家用无毒贴捕捉器克星家用全窝端	1.16750	19943.68	0.000662	1
30	日本安速红阿斯杀虫烟雾剂弹10g烟熏灭跳蚤蟑螂克星家用全窝端	0.97050	60200.62	0.001998	1
2	【20枚装】日本进口安速小强恢恢蟑螂屋蟑螂捕捉器诱捕器灭蟑小屋	0.93215	58785.41	0.001951	2
9	日本 安速EARTH小果蝇恢恢杀蝇饵剂灭苍蝇小飞虫神器诱捕捕捉器	0.88560	33633.57	0.001116	1
47	日本进口安速红阿斯杀虫烟雾剂跳蚤螨虫蚂蚁药蟑螂克星家用全窝端	0.73170	19166.12	0.000636	1
33	日本安速老鼠吱吱板4片 老鼠贴强力粘鼠板驱鼠灭鼠器老鼠胶药家用	0.66030	30567.08	0.001014	1
5	原装正品日本安速小强恢恢蟑螂屋蟑螂捕捉器诱捕器小屋20枚包邮	0.60490	32627.73	0.001083	1
12	日本ARS安速小黑帽蟑螂屋盒子无毒无味灭小强安全室内12枚蟑螂药	0.51235	81303.15	0.002698	2
48	现货 日本正品安速小黑帽蟑螂屋杀小强灭蟑螂药环保无毒无刺激	0.48520	105556.48	0.003503	3
10	日本ARS安速小黑帽环保无毒灭蟑螂药无味除小强小黑屋12枚	0.38120	34503.54	0.001145	1
8	德国拜耳进口蚂蚁药拜灭易灭蚁饵剂除杀蚂蚁无毒家用室内全窝端	0.36495	93400.98	0.003099	2
14	日本安速小强恢恢蟑螂屋20片蟑螂药灭蟑螂克星家用全窝端	0.28400	25693.46	0.000853	1
25	日本安速小黑帽蟑螂屋灭蟑螂药家用厨房灭蟑清蟑螂克星全窝端无毒	0.20310	35358.87	0.001173	1

• 前几款是灭蟑,除螨,杀虫,都有发展空间

• 总结:安速没有明显的灭鼠市场

• 拜耳和安速比较:拜耳杀虫是老爆款,灭蟑存在一定竞争

科凌虫控

• 读数据,描述

df4kl = pd.read_excel(filenames3[2])
df4kl.head(2)

	日期	商品	行业排名	交易指数	交易增长幅度	支付转化指数	操作	交易金额
0	2018-07-01	蟑螂药一窝端蟑螂屋胶饵灭蟑螂无毒厨房家用强力杀蟑螂克星全窝端	2	466881	0.4525	1850	趋势分析	6256693.23
1	2018-07-01	蟑螂屋捕捉器除灭蟑螂药一窝端神器纸盒子胶饵杀小蟑螂贴厨房家用	14	204545	0.1933	1577	趋势分析	1419883.88

df4kl.info()
df4kl['商品'].value_counts().count()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 118 entries, 0 to 117
Data columns (total 8 columns):
日期        118 non-null datetime64[ns]
商品        118 non-null object
行业排名      118 non-null int64
交易指数      118 non-null int64
交易增长幅度    118 non-null float64
支付转化指数    118 non-null int64
操作        118 non-null object
交易金额      118 non-null float64
dtypes: datetime64[ns](1), float64(2), int64(3), object(2)
memory usage: 7.5+ KB





31

• 汇总指标

kl4 = byproduct(df4kl)
kl4.describe()

	交易增长幅度	交易金额	交易金额占比	商品个数
count	31.000000	3.100000e+01	31.000000	31.000000
mean	13.479448	1.500410e+06	0.032258	3.806452
std	73.221448	4.039568e+06	0.086849	1.558190
min	-0.317840	2.566598e+04	0.000552	1.000000
25%	-0.065360	1.099735e+05	0.002364	2.500000
50%	0.054800	3.286985e+05	0.007067	5.000000
75%	0.552800	1.138542e+06	0.024478	5.000000
max	407.982650	2.196606e+07	0.472259	5.000000

• 盖帽

kl41 = block2(kl4)
kl41.describe()

	交易增长幅度	交易金额	交易金额占比	商品个数
count	31.000000	3.100000e+01	31.000000	31.000000
mean	0.263058	1.500410e+06	0.014589	3.806452
std	0.492999	4.039568e+06	0.014994	1.558190
min	-0.317840	2.566598e+04	0.000552	1.000000
25%	-0.065360	1.099735e+05	0.002364	2.500000
50%	0.054800	3.286985e+05	0.007067	5.000000
75%	0.552800	1.138542e+06	0.024478	5.000000
max	1.268350	2.196606e+07	0.044609	5.000000

• 作图

plotBOG(kl41)

• 可见奶牛产品足,明星产品少,大部分有前途,问题产品部分有潜力,瘦狗产品少

• 查看具体产品

klstar,klcow,klque = extractBOG(kl4)
klstar1,klcow1,klque1 = extractBOG(kl4,by='交易增长幅度')

• 科凌虫控明星

klstar

	商品	交易增长幅度	交易金额	交易金额占比	商品个数
28	除螨虫家用喷剂床上祛防螨去螨虫神器喷雾剂包贴杀虫剂免洗非杀菌	0.80742	2270518.54	0.048815	5
20	老鼠贴超强力粘鼠板灭鼠神器捕鼠魔毯yao颗粒老鼠胶家用药捕鼠器	0.08576	2074886.77	0.044609	5
13	科凌虫控蟑螂药屋蟑螂克星杀蟑胶饵灭蟑螂粉全窝端家用强力灭蟑清	0.15184	1253677.00	0.026953	5
1	去儿童头虱除阴虱净喷剂百部酊虱卵用虱子药成人一扫光净虱灵喷雾	0.67058	1112790.54	0.023924	5

• 主要是灭鼠,除螨和杀虫

• 科凌虫控奶牛

klcow

	商品	交易增长幅度	交易金额	交易金额占比	商品个数
23	蟑螂药一窝端蟑螂屋胶饵灭蟑螂无毒厨房家用强力杀蟑螂克星全窝端	-0.09628	21966057.02	0.472259	5
22	蟑螂屋捕捉器除灭蟑螂药一窝端神器纸盒子胶饵杀小蟑螂贴厨房家用	-0.00548	7464346.74	0.160480	5
5	杀蟑螂药一窝端蟑螂药粉家用捕捉器屋厨贴无毒灭蟑螂粉除小强克星	-0.19370	1408637.81	0.030285	5
26	跳蚤杀虫剂家用厕所卫生间下水道除虫灭小飞虫蛾蚋蟑螂臭虫药室内	-0.18824	1316871.08	0.028312	5
21	蟑螂屋强力灭蟑清蟑螂贴家用无毒粉杀蟑螂药胶饵捕捉器克星全窝端	0.05320	1157585.18	0.024888	5
15	粘鼠板超强力驱老鼠贴灭鼠抓老鼠夹药捕鼠器黏老鼠胶沾鼠神器家用	-0.08956	1119499.65	0.024069	5
10	科凌虫控杀蟑螂药一窝端灭蟑螂胶饵药粉克星南方大蟑螂全窝端家用	-0.09338	1009419.11	0.021702	5
14	米面蛾诱捕器蛾子粘捕器家用小飞虫杀虫剂灭飞蛾除米蛾衣蛾蚋蛾蠓	-0.31784	578549.20	0.012439	5
17	老鼠笼捕鼠器全自动超强家用抓老鼠夹药捉耗子连续灭鼠神器驱鼠器	-0.01008	465621.51	0.010011	5
29	除跳蚤喷剂床上杀虫剂气雾家用潮虫驱虫灭去蚂蚁药神器室内杀蜘蛛	-0.19702	437756.89	0.009412	5
8	灭蟑螂药烟剂杀蜘蛛驱烟雾弹神器克星家用全窝端除蚂蚁蜈蚣烟熏片	-0.04116	424747.11	0.009132	5
16	绿叶老鼠贴强力粘鼠板沾灭鼠神器胶药yao颗粒捕鼠器克星正品家用	0.05318	328698.54	0.007067	5

• 主要是除蟑,有很小部分灭虫和灭鼠

• 科凌虫控问题

klque1

	商品	交易增长幅度	交易金额	交易金额占比	商品个数
2	天然除螨虫包喷雾剂中草药祛防杀去螨虫垫贴床上用品家用驱虫神器	407.98265	290170.09	0.006239	2
4	抓老鼠贴强力粘鼠板胶药沾灭鼠器捕鼠神器克星家用正品20张一窝端	4.21950	119948.74	0.002579	3
18	老鼠笼捕鼠器家用一窝端连续全自动强力扑捉抓灭老鼠夹子捕鼠神器	1.31100	62508.93	0.001344	1
25	蟑螂药蟑螂克星家用非无毒全窝端室内厨房南方大蟑螂一窝端脏螂药	1.26835	86020.53	0.001849	2
19	老鼠贴强力粘鼠板正品一窝端灭鼠器老鼠克星胶yao颗粒家用10片装	0.88335	81123.80	0.001744	2
27	跳蚤杀虫剂家用气雾剂除螨虫喷雾潮虫百虫灵蜈蚣蟑螂药灭蚂蚁虱子	0.56420	31783.47	0.000683	1
12	科凌虫控蟑螂药南方大蟑螂强力杀蟑饵剂蟑螂胶饵家用全窝端灭蟑清	0.54140	32057.62	0.000689	1
24	蟑螂药粉德国小蠊小强专杀灭蟑螂屋纸盒子家用蟑螂克星全窝端厨房	0.30630	125300.73	0.002694	3
11	科凌虫控老鼠贴超强力粘鼠板日本版捉抓老鼠夹胶家用灭鼠药捕鼠器	0.21870	99998.35	0.002150	3
6	汽车家用驱鼠剂防老鼠克星喷雾剂耗子发动机舱包防鼠灭鼠药驱鼠器	0.13730	25665.98	0.000552	1
3	抓老鼠夹子捕鼠器笼家用连续全自动逮捉老鼠笼超强扑鼠笼灭鼠神器	0.07335	51645.49	0.001110	2
0	4 只装驱老鼠夹捕鼠器家用灭鼠神器抓杀扑老鼠夹子捉老鼠笼全自动	0.05480	289907.35	0.006233	5

• 有较大潜力的是除螨

• 总结:科凌虫控积极发展多个产品,然而每个产品结构相对独立(奶牛除蟑,明星灭鼠,潜力除螨),没有后续的支持.竞争力不是那么强

流量结构分析

os.chdir('..')
os.chdir('./流量渠道数据')

filenames4 = glob.glob('*.xlsx')
filenames4

['安速家居旗舰店流量渠道.xlsx', '拜耳官方旗舰店流量渠道.xlsx', '科凌虫控旗舰店流量渠道.xlsx']

• 拜耳

df5bai = pd.read_excel(filenames4[1])
df5bai.head()

	流量来源	交易指数	交易指数.1
0	淘内免费	399466	320128
1	手淘搜索	336457	274916
2	淘内免费其他	195308	153255
3	手淘问大家	123512	108108
4	手淘旺信	88024	59198

• 交易指数是销售额的反映

• 自定义流量结构和说明的函数

• 只取交易指数排名前10的流量渠道分析

def flow(df):
    df0 = df.copy()
    top10 = df0.sort_values('交易指数',ascending=False
                           ).reset_index(drop=True).iloc[:10,:]
    top10['交易指数占比'] = top10['交易指数']/top10['交易指数'].sum()
    top10.set_index('流量来源',inplace=True)
    paid =  ['付费流量','直通车','淘宝客','淘宝联盟']
    ind = np.any([top10.index == i for i in paid],axis=0)
    explode = ind*0.1
    ax = top10['交易指数占比'].plot.pie(autopct='%.1f%%',
              figsize=(8,8),colormap='cool',explode=explode)
    ax.set_ylabel('')
    plt.show()
    paidsum = top10['交易指数占比'][ind].sum()
    salesum = top10['交易指数'].sum()
    paidsale = salesum * paidsum
    print(f'前10流量中:总交易指数:{salesum:.0f};付费流量占比:{paidsum*100:.2f}%;付费流量带来交易指数:{paidsale:.0f}')
    return top10

bai5top10 = flow(df5bai)

前10流量中:总交易指数:2334051;付费流量占比:21.85%;付费流量带来交易指数:509959

• 排名前10的详细数据

bai5top10

	交易指数	交易指数.1	交易指数占比
流量来源
淘内免费	399466	320128	0.171147
手淘搜索	336457	274916	0.144152
自主访问	312587	234293	0.133925
购物车	251600	186323	0.107795
付费流量	223315	206480	0.095677
我的淘宝	205162	151825	0.087900
淘内免费其他	195308	153255	0.083678
直通车	187952	147463	0.080526
手淘问大家	123512	108108	0.052917
淘宝客	98692	135320	0.042284

• 安速

df5an = pd.read_excel(filenames4[0])
df5an.head()

	流量来源	交易指数
0	淘内免费	119751
1	手淘搜索	86389
2	淘内免费其他	62653
3	手淘问大家	31348
4	手淘旺信	25514

an5top10 = flow(df5an)

前10流量中:总交易指数:748539;付费流量占比:18.58%;付费流量带来交易指数:139048

• 可见拜耳和安速的流量配比是差不多的,安速的整体流量小很多,即流量效果拜耳明显优于安速

• 科凌虫控

df5kl = pd.read_excel(filenames4[2])
df5kl.head()

	流量来源	交易指数
0	淘内免费	320128
1	手淘搜索	274916
2	淘内免费其他	153255
3	手淘问大家	108108
4	手淘旺信	59198

kl5top10 = flow(df5kl)

前10流量中:总交易指数:1918111;付费流量占比:25.51%;付费流量带来交易指数:489263

• 和拜耳在流量上差不多,科凌虫控付费占比较高

舆情分析

os.chdir('..')
os.chdir('./评论舆情数据')

• 读数据

filenames5 = glob.glob('*.xlsx')
filenames5

['安速.xlsx', '德国拜耳.xlsx', '科林虫控.xlsx']

df6bai = pd.read_excel(filenames5[1])
df6bai.head()

	产品名称	链接	评论页码	评论	评论日期
0	德国拜耳拜灭士蟑螂药一窝端杀蟑胶饵灭蟑螂屋无毒克星家用全窝端	https://detail.tmall.com/item.htm?id=527604730327	0	刚收到，家里厨房突然出现小强了，看了这个评价挺多挺好，销量也大，赶紧定了三盒，一定要管用啊一...	2018-11-21 19:01:20
1	德国拜耳拜灭士蟑螂药一窝端杀蟑胶饵灭蟑螂屋无毒克星家用全窝端	https://detail.tmall.com/item.htm?id=527604730327	0	朋友推荐的说之前用的挺管用的。在放药的前几天就没怎么见蟑螂了，然后出去玩之前把家里角角落落全...	2018-11-23 11:07:03
2	德国拜耳拜灭士蟑螂药一窝端杀蟑胶饵灭蟑螂屋无毒克星家用全窝端	https://detail.tmall.com/item.htm?id=527604730327	0	真心坑人啊！????还没到24小时就凝固了！小强依然活跃????????????????	2018-11-24 00:28:17
3	德国拜耳拜灭士蟑螂药一窝端杀蟑胶饵灭蟑螂屋无毒克星家用全窝端	https://detail.tmall.com/item.htm?id=527604730327	0	盆友推荐的，说特别好用，效果杠杠的，看双十一做活动，就买啦，效果应该不错吧，不过尸体都是家里...	2018-11-25 03:07:25
4	德国拜耳拜灭士蟑螂药一窝端杀蟑胶饵灭蟑螂屋无毒克星家用全窝端	https://detail.tmall.com/item.htm?id=527604730327	0	我是买到假货吗？那么贵的蟑螂药居然还有，还是蟑螂已经百毒不侵了？	2018-11-26 07:49:43

• 抽评论列

bai6 = list(df6bai['评论'])

• 去掉非中英文字符

bai61 = [re.sub(r'[^a-zu4E00-u9Fa5]+',' ',i,
                flags=re.I) for i in bai6]

• 好用的文本处理的库:shorttext

• 读取构建停用词列表

stopwords = list(pd.read_csv('D:/data/python/百度停用词表.txt',
                             names=['stopwords'])['stopwords'])
stopwords.extend([' '])

• 如下得到一个大列表包含多个小列表,每个小列表来自一条评论的分词

bai62 = []
for i in bai61:
    seg0 = pd.Series(jieba.lcut(i))
    # 可以尝试全模式看效果
    # 筛掉长度等于1的词
    ind1 = pd.Series([len(j) for j in seg0])>1
    seg1 = seg0[ind1]
    # 去掉停用词,去重
    ind2 = ~seg1.isin(pd.Series(stopwords))
    seg2 = list(seg1[ind2].unique())
    # 去掉筛选后的空列表
    if len(seg2)>0:
        bai62.append(seg2)

Building prefix dict from the default dictionary ...
Loading model from cache C:UsersjiangAppDataLocalTempjieba.cache
Loading model cost 0.755 seconds.
Prefix dict has been built succesfully.

bai62[:2]

[['收到',
  '家里',
  '厨房',
  '小强',
  '评价',
  '销量',
  '赶紧',
  '三盒',
  '管用',
  '后续',
  '效果',
  '追加',
  '多久',
  '才能',
  '消灭',
  '干净',
  '没法',
  '做饭',
  '进去',
  '担心',
  '挥发',
  '很多',
  '试试'],
 ['朋友',
  '推荐',
  '管用',
  '放药',
  '几天',
  '蟑螂',
  '出去玩',
  '家里',
  '角角落落',
  '全都',
  '点涂',
  '四天',
  '回来',
  '开门',
  '内心',
  '忐忑',
  '居然',
  '一只',
  '没见',
  '真的',
  '错峰',
  '出行',
  '但愿',
  '第二次',
  '购买',
  '超级',
  '好用',
  '翻烂',
  '两支',
  '一支',
  '点上']]

• 组合多个列表到一个列表

bai63 = [y for x in bai62 for y in x]
# 或如下方式:
# from itertools import chain
# bai63 = list(chain(*bai62))

bai63[:10]

['收到', '家里', '厨房', '小强', '评价', '销量', '赶紧', '三盒', '管用', '后续']

• 计算词频

baifreq = pd.Series(bai63).value_counts()
baifreq[:10]

效果    541
蟑螂    409
双十    145
不错    144
评论    138
小强    114
收到    106
用户    100
填写    100
东西     95
dtype: int64

• 组合多个字符为一个长字符,空格分隔

bai64 = ' '.join(bai63)

• 绘制词云

mask = imageio.imread('D:/data/python/leaf.jpg')
# 如果是中文必须制定字体
font = r'C:WindowsFontssimkai.ttf'

wc = WordCloud(background_color='wheat',mask=mask,
               font_path=font).generate(bai64)
plt.figure(figsize=(8,8))
plt.imshow(wc)
plt.axis('off')
plt.show()

• 写出词云文件

wc.to_file('D:/data/python/拜耳舆情词云.png')

<wordcloud.wordcloud.WordCloud at 0x153001f4588>

• 基于 TF-IDF 算法的关键词抽取

jieba.analyse.extract_tags(bai64,20,True)

[('蟑螂', 0.35868827490141125),
 ('效果', 0.2849843733535205),
 ('双十', 0.12792281324949317),
 ('小强', 0.09200132125972145),
 ('评论', 0.08243514073285675),
 ('湿巾', 0.0800848241710357),
 ('填写', 0.07859912763569854),
 ('不错', 0.07854611456578228),
 ('好评', 0.07205703576029969),
 ('追评', 0.06743985193350374),
 ('没用', 0.06355521640160776),
 ('收到', 0.06240940420464874),
 ('用户', 0.06013517913107095),
 ('好用', 0.05909939270004407),
 ('尸体', 0.05479502199496166),
 ('划算', 0.05456206954124107),
 ('湿纸巾', 0.05268657021031292),
 ('家里', 0.04667477953221154),
 ('发货', 0.04579483339359189),
 ('期待', 0.04317101167929661)]

• 不管从词云还是关键词来看,评价偏好评,没有明显问题
• 可以在停用词中添加好评,蟑螂可以再看效果

最后

以上就是幸福电脑为你收集整理的数据分析报告流程展现驱虫市场潜力分析灭鼠杀虫剂市场机会点分析竞争分析的全部内容，希望文章能够帮你解决数据分析报告流程展现驱虫市场潜力分析灭鼠杀虫剂市场机会点分析竞争分析所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。