数据分析/足够装逼一小时的电商分析

去社区提问

简介:不同商品销量情况,定价策略,目标用户,宣传方案都是运营一家店铺需要关注的重点,以乐高产品淘宝销售为例,教你利用数据运筹帷幄,掌控全局。

足够装逼一小时的电商分析

玩具的魅力

“每个成年人也都是过期的小朋友。”

每年的六一儿童节,除了小朋友们开心庆祝之外,还有一大堆成年人’强行‘过节,毕竟谁还不是个宝宝呢~

玩具和游戏不光是小朋友们的专利,乐高这样的玩具,也收获了大批成年人的追捧。用一个个小模块,脑洞大开地自由发挥创意。

这样一款老少皆宜,可盐可甜的玩具,看了这些图片,谁能忍住剁手的冲动呢?

怪不得大家说世界上只有两种类型的男生:一种是喜欢玩乐高的男生,另一种是还不知道自己喜欢乐高的男生。

乐高又像玩具界的Supreme,时不时推出一些联名款,想尽方法掏空你的钱包,那只能…OMG,买它!

李二柱所在电商公司,老板也入了乐高的坑,想在店铺引入乐高销售,需要提前做一些调研,例如:

  • 定价策略
  • 哪些地区的用户对乐高喜爱程度更高
  • 哪些款式的玩具更受大家喜爱
  • 商品应该用什么标签才能吸引更多的用户

你猜对了,调研的工作果然落在了二柱头上。所以…他找到了我,企图用一顿火锅收买我帮他实现。

我只能高冷地回答他:“我婉拒你。我是那种为一顿火锅折腰的人吗?”

当然最后我还是被两顿火锅被收买了…

唉,谁让我们生活不易,多才多艺呢。马上来整理一下思路。

首先分析一下淘宝上售卖乐高玩具的商家总体销售情况,再针对销量最好的店铺做重点研究,分析他们的定价以及宣传策略,把结果用可视化效果图呈现出来,匹配合理化建议,汇报给老板就大功告成啦~

话不多说,开始行动。

特别提示:如果暂时不理解代码的含义也没有关系~只通过这些案例了解Python用途就达到了目标。12课时开始将进入详细的Python语法学习,要继续加油呀。

乐高淘宝数据分析

首先获取淘宝上乐高商品数据和店铺商品销售数据,对它们进行分析。

按照惯例,还是先来看一下数据长什么样子:

数据共4404行,包括五个字段:

  • 商品名称
  • 店铺名称
  • 价格
  • 付款人数
  • 地址

机智的我能从这些数据中能找到哪些有用的信息呢?一起继续往后看吧~

数据读入

首先导入整个分析过程中需要用到的模块:

  1. # 导入包
  2. import numpy as np
  3. import pandas as pd
  4. import time
  5. import jieba
  6. from pyecharts.charts import Bar, Line, Pie, Map, Page
  7. from pyecharts import options as opts
  8. from pyecharts.globals import SymbolType

使用read_excel()方法来读取数据,然后展示出前五行数据:

代码练习:

编程区

  1. # 读入数据
  2. df_tb = pd.read_excel('./数据/乐高淘宝数据.xlsx')
  3. df_tb.head()

终端区

info()方法获取到了各个数据非空的数量,以及它们的数据类型:

代码练习:

编程区

  1. df_tb.info()

终端区

可以看到商品名称,店铺名称,价格,付款数量以及地点这五个字段都对应有4404个非空的数据。

数据处理

我们想利用这些数据得到各个店铺的销售额,后续再对销售表现优秀的店铺做深入研究分析。

咦?数据中好像没找到销售额这一栏,看来现有的数据还不是那么完美,需要对它进行一下修饰。

接下来要对数据做以下四方面处理,开始操作!~

  1. 去除重复值
  2. 付款人数:提取数字
  3. 计算销售额 = 价格 * 付款人数
  4. 产地:提取省份

去除重复值

现有的数据中可能存在一些重复值,影响到后续统计结果的准确率,在预处理阶段需要删除这些重复数据:

  1. # 去除重复值
  2. df_tb.drop_duplicates(inplace=True)

删除‘购买人数’一栏为空白的记录,再来查看一下数据摘要:

代码练习:

编程区

  1. # 删除购买人数为空的记录
  2. df_tb = df_tb[df_tb['付款人数'].str.contains('人付款')]
  3. # 重置索引
  4. df_tb = df_tb.reset_index(drop=True)
  5. df_tb.info()

终端区

代码练习:

编程区

  1. df_tb.head()

终端区

经过去重删除,现在的有效数据是3411条。

提取付款人数

‘付款人数’这一列数据是数字文字相结合的形式,在后续分析中我们只需使用具体的数字,下面提取‘付款人数’这列的数字信息:

代码练习:

编程区

  1. # purchase_num处理
  2. df_tb['付款人数'] = df_tb['付款人数'].str.extract('(\d+)').astype('int')
  3. df_tb.head()

终端区

计算销售额

前面整合了‘付款人数’的数据,现在可以很容易地计算出每种商品的销售额,新插入一列‘销售额’,用付款人数 * 价格就能得到结果:

  1. # 计算销售额
  2. df_tb['销售额'] = df_tb['价格'] * df_tb['付款人数']

提取省份

下一步用空格分割’产地‘这一列的信息,把省份提取出来,生成新的一列:

代码练习:

编程区

  1. # location
  2. df_tb['省份'] = df_tb['产地'].str.split(' ').str[0]
  3. df_tb.head()

终端区

经过上面一番操作,数据终于变成了我们需要的样子。下面就正式开始分析,距离二柱站在会议室前潇洒做报告又更近了一步。

数据可视化

现在来到了至关重要的一个步骤。不光数据要分析的好,更要让所有人都能看懂你的分析结果,依据结果提出的建议和内容才能被大家认可和接受。

这样一来,数据可视化就成为了我们的不二选择。其实也是小菜一碟啦。

究竟哪家店铺销量一路领先;乐高产品价格如何分布;价格和销量之间有怎样的联系。马上一一揭晓答案~

ladies and 乡亲们,接下来做以下分析:

  1. 乐高销量排名top10店铺 - 条形图
  2. 乐高产地数量排名top10 - 条形图
  3. 乐高产地国内销量分布 - 地图
  4. 价格分布 - 饼图
  5. 不同价格区间的销量表现 - 饼图
  6. 商品标题词云图 - 词云图

乐高销量排名Top10淘宝店铺 - 条形图

首先统计销量排名前十的淘宝店铺。

根据店铺名字分组,再把相对应的付款人数一列数字相加,就可以得到每个店铺的销量,从高到低排列。

代码练习:

编程区

  1. shop_top10 = df_tb.groupby('店铺名称')['付款人数'].sum().sort_values(ascending=False).head(10)
  2. shop_top10

终端区

将得到的结果绘制成条形图,来看一下结论。

代码练习:

编程区

  1. # 条形图
  2. bar1 = Bar(init_opts=opts.InitOpts(width='1350px', height='750px'))
  3. bar1.add_xaxis(shop_top10.index.tolist())
  4. bar1.add_yaxis('', shop_top10.values.tolist())
  5. bar1.set_global_opts(title_opts=opts.TitleOpts(title='乐高销量排名Top10淘宝店铺'),
  6. xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),
  7. visualmap_opts=opts.VisualMapOpts(max_=28669)
  8. )
  9. bar1.render()

终端区

乐高官方旗舰店的销量稳居第一,接下来的第二名是天猫超市。第二名往后的各家销量差距不大,官方旗舰店拥有绝对的销量优势。

看来稍后需要仔细研究一下官方旗舰店的具体数据,能不能收获些有用的信息。

乐高产地数量排名top10

前面的准备工作中,已经把产地的省份提取出来,下面就对乐高产地排名做一下分析。

实现方法还是so easy~分别统计‘省份’这一列的不同地点总和就能得到结果:

代码练习:

编程区

  1. province_top10 = df_tb.省份.value_counts()[:10]
  2. province_top10

终端区

将统计结果绘制为条形图:

代码练习:

编程区

  1. #条形图
  2. bar2 = Bar(init_opts=opts.InitOpts(width='1350px', height='750px'))
  3. bar2.add_xaxis(province_top10.index.tolist())
  4. bar2.add_yaxis('', province_top10.values.tolist())
  5. bar2.set_global_opts(title_opts=opts.TitleOpts(title='乐高产地数量排名top10'),
  6. visualmap_opts=opts.VisualMapOpts(max_=1000)
  7. )
  8. bar2.render()

终端区

可以看到第一名是广东,上海和北京占据了第二和第三的位置。

国内各省份乐高销量分布图

接下来分析一下各省份乐高销量情况。

在数据中已经有了产地‘省份’和‘付款人数’,先把数据按照省份分组,再计算总的付款人数,就可以得到各个省份乐高的销量情况:

代码练习:

编程区

  1. province_num = df_tb.groupby('省份')['付款人数'].sum().sort_values(ascending=False)
  2. province_num[:5]

终端区

针对这种地区类型的统计结果,我们可以将它呈现在地图上。以颜色的深浅程度来区分不同地区的数据状况。

代码练习:

编程区

  1. # 地图
  2. map1 = Map(init_opts=opts.InitOpts(width='1350px', height='750px'))
  3. map1.add("", [list(z) for z in zip(province_num.index.tolist(), province_num.values.tolist())],
  4. maptype='china'
  5. )
  6. map1.set_global_opts(title_opts=opts.TitleOpts(title='国内各产地乐高销量分布图'),
  7. visualmap_opts=opts.VisualMapOpts(max_=172277),
  8. )
  9. map1.render()

终端区

广东不仅乐高产量排名第一,销量也是全国榜首。第二名是上海,浙江排名第三。

天猫乐高价格分布

下面来到了最最关心的价格环节,淘宝众多店铺售卖的乐高玩具中,价格分布情况如何,各价格区间的商品量是多少?

根据‘价格’一列的数据,划分7个区间,统计每个区间的商品数量:

代码练习:

编程区

  1. # 分箱
  2. cut_bins = [0,50,100,200,300,500,1000,8888]
  3. cut_labels = ['0~50元', '50~100元', '100~200元', '200~300元', '300~500元', '500~1000元', '1000元以上']
  4. price_cut = pd.cut(df_tb['价格'], bins=cut_bins, labels=cut_labels)
  5. price_num = price_cut.value_counts()
  6. price_num

终端区

将结果绘制为条形图展示:

代码练习:

编程区

  1. bar3 = Bar(init_opts=opts.InitOpts(width='1350px', height='750px'))
  2. bar3.add_xaxis(['0~50元', '50~100元', '100~200元', '200~300元', '300~500元', '500~1000元', '1000元以上'])
  3. bar3.add_yaxis('', [895, 486, 701, 288, 370, 411, 260])
  4. bar3.set_global_opts(title_opts=opts.TitleOpts(title='不同价格区间的商品数量'),
  5. visualmap_opts=opts.VisualMapOpts(max_=900))
  6. bar3.render()

终端区

0-50元之间的乐高售出数量最多,一共895件,其次是100-200价格区间共701件,1000元以上售出的数量最少,共计260件。

不同价格区间的销售额整体表现

看到了销量与价格区间的关系,再统计一下不同价格区间的销售额表现情况如何。

添加一个‘价格标签’字段,给每行数据新增一个价格标签的内容,根据价格划分为‘0-50元’,‘50-100元’等七个标签。

再根据‘价格标签’分组,统计加和得到销售额。

代码练习:

编程区

  1. # 添加列
  2. df_tb['价格标签'] = price_cut
  3. cut_purchase = df_tb.groupby('价格标签')['销售额'].sum()
  4. cut_purchase

终端区

代码练习:

编程区

  1. df_tb.head()

终端区

绘制饼图可以清晰地看出各价格区间货品销售额在总体占比情况:

代码练习:

编程区

  1. data_pair = [list(z) for z in zip(cut_purchase.index.tolist(), cut_purchase.values.tolist())]
  2. # 绘制饼图
  3. pie1 = Pie(init_opts=opts.InitOpts(width='1350px', height='750px'))
  4. pie1.add('', data_pair, radius=['35%', '60%'])
  5. pie1.set_global_opts(title_opts=opts.TitleOpts(title='不同价格区间的销售额整体表现'),
  6. legend_opts=opts.LegendOpts(orient='vertical', pos_top='15%', pos_left='2%'))
  7. pie1.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%"))
  8. pie1.set_colors(['#EF9050', '#3B7BA9', '#6FB27C', '#FFAF34', '#D8BFD8', '#00BFFF', '#7FFFAA'])
  9. pie1.render()

终端区

哎?销售额中占比最高的居然是销量最低的‘1000元以上’价格分区的乐高玩具,占据销售额的32.24%。人民币玩家的快乐我们难以想象啊~

其次是500-1000区间占比为15.91%,较为评价的100-200元玩具排名第三,占总销售额的15.76%。

销量最高的0-50区间反而在销售额中占比最低,仅为5.64%。

现在为止,关于淘宝整体乐高销售情况的数据分析就成功完成啦,我们共从5个方面解析了数据,为了方便,我们把所有的可视化效果放在同一页面进行展示。

代码练习:

编程区

  1. # 生成page
  2. page1 = Page()
  3. page1.add(bar1, bar2, map1, bar3, pie1)
  4. page1.render('淘宝乐高售卖商品数据分析.html')

终端区

这样一来就能更加清晰直观地看到统计结果,二柱也能放心交付给各位领导大大们了。

商品标题词云图

“词云”就是通过形成“关键词云层”或“关键词渲染”,对文本中出现频率较高的“关键词”做视觉上的突出展示效果。词云图过滤掉大量的文本信息,使浏览网页者只要一眼扫过文本就可以领略文本的主旨。

是不是略显官方了…上面那句是从百度复制过来的,简单来讲词云可以帮我们筛掉很多信息,只保留频率最高,最重要的内容呈现突出。

来举个栗子~

这是一个有关迪士尼的词云图,我们可以一眼看到大家谈论最多的话题:排队,好玩,刺激等等。

吴亦凡的《大碗宽面》大家都讨论了哪些内容呢,也可以通过词云图来看到答案:

看起来还挺厉害的对不对?开会汇报的时候放上它效果应该也不错。

心动不如行动,想要了解淘宝各店铺展示乐高商品时都选用了哪些标题关键词来吸引用户,让更多的用户点进页面浏览购买,我们现在就生成个词云图看一看。

首先需要一个停用词表格,里面的内容大概是这样的:

停用词表里装的是类似“了”,“的”,“和”这种文本中出现频率很高,但实际意义又不大的词。在统计的时候需要把他们排除在外。

这种停用词表网上有现成资源,也可以自己进行定义。

英语是以词为单位,词和词用空格隔开来区分的,例如‘Learning makes me happy.’计算机可以利用空格来拆分出这句话里的每个单词。

而中文“学习使我快乐”这句话,计算机怎么确定‘学’和‘习’应该拆分,还是合并在一起组成‘学习’才是一个词语呢?

计算机哪有辣么聪明,还得我们给它发出指令,它才会按照要求执行。

只有把所有的中文文本都做好拆分,才能继续进行下面的环节。(想想感觉就很麻烦,不会要放弃这一part了吧)

哎,都说了好多次了,遇事要沉稳,不要慌。Python的优点请在心里背诵一遍,记不住的同学罚抄三遍明天考默写。

Python有极其丰富的第三方库,可以大大节省工作量,直接拿过来调用就阔以啦。

我们一开始导入的jieba模块就是非常优秀的中文分词工具,它是利用一个中文词库,将待分词的内容与分词词库进行比对,找到最大概率的词组。

总而言之就是,不用自己费劲了~

代码练习:

编程区

  1. def get_cut_words(content_series):
  2. # 读入停用词表
  3. stop_words = []
  4. with open(r"stop_words.txt", 'r', encoding='utf-8') as f:
  5. lines = f.readlines()
  6. for line in lines:
  7. stop_words.append(line.strip())
  8. # 添加关键词
  9. my_words = ['乐高', '悟空小侠', '大颗粒', '小颗粒']
  10. for i in my_words:
  11. jieba.add_word(i)
  12. # 分词
  13. word_num = jieba.lcut(content_series.str.cat(sep='。'), cut_all=False)
  14. # 条件筛选
  15. word_num_selected = [i for i in word_num if i not in stop_words and len(i)>=2]
  16. return word_num_selected
  17. text = get_cut_words(content_series=df_tb['商品名称'])
  18. text[:5]

终端区

接下来就可以把结果用词云图绘制出来:

代码练习:

编程区

  1. import stylecloud
  2. from IPython.display import Image # 用于在jupyter lab中显示本地图片
  3. # 绘制词云图
  4. stylecloud.gen_stylecloud(text=' '.join(text),
  5. collocations=False,
  6. font_path='/System/‪‪Library/Fonts/STHeiti Light.ttc',
  7. icon_name='fas fa-heart',
  8. size=768,
  9. output_name='淘宝乐高标题词云图.png')
  10. Image(filename='淘宝乐高标题词云图.png')

终端区

关键词“积木”,“玩具”,“送礼”,”新品“,”益智“等在商品描述中出现的频率最高。小李公司的淘宝店铺在商品名称的标签选择上也可以借鉴使用这些关键字。

天猫旗舰店数据分析

以为到这儿就结束了?我可是诚信商家,童叟无欺,要对得起二柱这两顿火锅。请为你刚才不恰当的思想自罚一杯。

干完这一杯,接着来重点研究销量稳居第一的乐高天猫旗舰店数据(激动地搓搓手)。

有了前面的铺垫,接下来的过程会非常轻松,我们也要加快速度啦。

搏一搏,单车变摩托~距离一份完美的数据分析汇报越来越近了。

从乐高天猫旗舰店获取到的数据长这样:

包含六个字段:

  • 名称
  • 适用年龄
  • 价格
  • 销量
  • 评论数
  • 备注型号

数据读入

第一步还是读取数据:

代码练习:

编程区

  1. df_tm = pd.read_excel('./数据/天猫乐高旗舰店数据.xlsx')
  2. df_tm.head()

终端区

查看数据摘要:

代码练习:

编程区

  1. df_tm.info()

终端区

可以看到每个字段非空数据的数量和数据类型。

数据处理

这一步也很熟悉对不对~和之前一样要对重复值进行处理。‘价格’和’销量‘这两列的数据类型也需要做一下转换。

  1. 重复值处理
  2. 价格处理/类型转换
  3. 销量: 类型转换
  4. 计算销售额

代码练习:

编程区

  1. # 重复值
  2. df_tm.drop_duplicates(inplace=True)
  3. # 价格处理
  4. def tranform_price(x):
  5. if '-' in x:
  6. return (float(x.split('-')[1]) - float(x.split('-')[0]))/2
  7. else:
  8. return x
  9. # 价格转换
  10. df_tm['价格'] = df_tm.价格.apply(lambda x: tranform_price(x)).astype('float')
  11. # 使用平均值填充缺失值
  12. df_tm['销量'] = df_tm.销量.replace('无', 200)
  13. # 转换类型
  14. df_tm['销量'] = df_tm.销量.astype('int')
  15. df_tm.head()

终端区

完成处理后再查看一下数据摘要:

代码练习:

编程区

  1. df_tm.info()

终端区

方便后续对商品描述的分析,我们去掉商品名称中‘乐高旗舰店’,‘官网’,‘2020年’的描述信息,再新增一列,计算销售额:

代码练习:

编程区

  1. # 标题去除-乐高旗舰店和官网
  2. df_tm['名称'] = df_tm.名称.str.replace('乐高旗舰店|官网|2020年', '')
  3. # 销售额
  4. df_tm['销售额'] = df_tm['销量'] * df_tm['价格']
  5. df_tm.head()

终端区

数据可视化

一起来看看乐高天猫旗舰店的爆款商品以及销售表现和淘宝整体表现是否相同吧~

我们要来完成以下几个方面的数据统计:

  1. 乐高旗舰店月销量排名Top10商品
  2. 乐高旗舰店商品价格分布
  3. 乐高旗舰店不同价格区间销售额表现

乐高旗舰店月销量排名Top10商品

按销量从高到低排序,得到Top10商品:

代码练习:

编程区

  1. rank_top10 = df_tm.sort_values('销量', ascending=False).head(10)[['名称', '销量']]
  2. rank_top10 = rank_top10.sort_values('销量')
  3. rank_top10

终端区

结果绘制为柱形图。

代码练习:

编程区

  1. x_data = rank_top10.名称.values.tolist()
  2. y_data = rank_top10.销量.values.tolist()
  3. # 柱形图
  4. bar1 = Bar(init_opts=opts.InitOpts(width='1350px', height='750px'))
  5. bar1.add_xaxis(x_data)
  6. bar1.add_yaxis('', y_data)
  7. bar1.set_global_opts(title_opts=opts.TitleOpts(title='乐高旗舰店月销量排名Top10商品'),
  8. visualmap_opts=opts.VisualMapOpts(max_=5000)
  9. )
  10. bar1.set_series_opts(label_opts=opts.LabelOpts(position='right'))
  11. bar1.reversal_axis()
  12. bar1.render()

终端区

孙悟空齐天大圣黄金机甲这款,以月销量4765件位居榜首。第二位是R赛车成人送礼收藏车模,月销量2750件。云霄战机孙悟空齐天大圣位居第三,月销量达到2453件。

乐高旗舰店不同价格区间商品数量

调研各个价格区间的商品数量,方法和前面的一模一样,直接copy过来就可以啦。

代码练习:

编程区

  1. # 分箱
  2. cut_bins = [0,200,400,600,800,1000,2000,9469]
  3. cut_labels = ['0~50元', '50~100元', '100~200元', '200~300元', '300~500元', '500~1000元', '1000元以上']
  4. price_cut = pd.cut(df_tb['价格'], bins=cut_bins, labels=cut_labels)
  5. price_num = price_cut.value_counts()
  6. price_num

终端区

再上一个柱形图~

代码练习:

编程区

  1. bar2 = Bar(init_opts=opts.InitOpts(width='1350px', height='750px'))
  2. bar2.add_xaxis(['0~50元', '50~100元', '100~200元', '200~300元', '300~500元', '500~1000元', '1000元以上'])
  3. bar2.add_yaxis('',[2082, 495, 290, 200, 84, 144, 116])
  4. bar2.set_global_opts(title_opts=opts.TitleOpts(title='乐高旗舰店不同价格区间商品数量'),
  5. visualmap_opts=opts.VisualMapOpts(max_=2000))
  6. bar2.render()

终端区

数量最多的依然是0-50区间,共2082件商品。最少的是300-500区间,84件商品。

乐高旗舰店不同价格区间销售额表现

最后再看看乐高旗舰店不同价格区间贡献销售额的情况。

当然,也还是熟悉的操作。先给每行添加新的字段,划分价格区间,再按照价格区间将销售额加和。

代码练习:

编程区

  1. # 添加列
  2. df_tm['价格标签'] = price_cut
  3. cut_purchase = df_tm.groupby('价格标签')['销售额'].sum()
  4. cut_purchase

终端区

将结果绘制为饼图:

代码练习:

编程区

  1. data_pair = [list(z) for z in zip(cut_purchase.index.tolist(), cut_purchase.values.tolist())]
  2. # 绘制饼图
  3. pie1 = Pie(init_opts=opts.InitOpts(width='1350px', height='750px'))
  4. pie1.add('', data_pair, radius=['35%', '60%'])
  5. pie1.set_global_opts(title_opts=opts.TitleOpts(title='不同价格区间的销售额整体表现'),
  6. legend_opts=opts.LegendOpts(orient='vertical', pos_top='15%', pos_left='2%'))
  7. pie1.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%"))
  8. pie1.set_colors(['#EF9050', '#3B7BA9', '#6FB27C', '#FFAF34', '#D8BFD8', '#00BFFF', '#7FFFAA'])
  9. pie1.render()

终端区

和淘宝全网的数据结果不同,天猫旗舰店0-50元商品占销售额的49.21%,排名第一。1000元以上的乐高玩具在销售额中占比最少,仅为2.94%。这说明大家在购买高价格乐高时,更倾向于寻找其他渠道,而非旗舰店。可能是因为其他店铺的价格相对来说更具优势。

将上面的三个可视化图表合并,放在一起展示:

代码练习:

编程区

  1. # 生成page
  2. page2 = Page()
  3. page2.add(bar1, bar2, pie1)
  4. page2.render('乐高天猫旗舰店数据分析.html')

终端区

天猫旗舰店的数据也搞定啦~是不是速度飞快,呼叫二柱同学,快请我吃火锅了。

这节课中,我们帮二柱分析了全网淘宝乐高的销量数据,重点分析了销量最好的天猫旗舰店的店铺数据。

希望二柱在领导面前侃侃而谈的时候不要忘记我这个幕后工作者的艰辛付出。

今天的内容就到这里啦,如果还想了解更多Python数据分析的内容,和二柱成为同学,欢迎扫描下方二维码?添加班主任微信,我们下次见咯~

扫描下方二维码,添加班主任微信

已经添加过班主任的同学,可以直接联系对应老师,无需重复添加哦。

数据分析 1/3

足够装逼一小时的电商分析

1.0x

恭喜完成本课时的学习!
坚持学习

行动力超过

累计学习

学习下一课时