Расчёт выручки и построение признаков

Самый фундаментальный расчёт в наборе данных о продажах — это выручка по позиции заказа: произведение количества и цены за единицу для каждой строки. Создайте столбец с помощью векторизованного умножения, чтобы NumPy обработал все строки одновременно без цикла Python. Этот столбец станет основой для всех агрегирований в анализе.

Группировка по календарным периодам необходима для анализа тенденций. Используйте аксессор .dt для столбца с датами и временем, чтобы извлечь год, месяц и квартал. Хранение этих значений в отдельных целочисленных столбцах ускоряет операции groupby и позволяет легко фильтровать данные по периоду без повторного разбора строк.

Бизнес-правила часто определяют признак скидки: заказы, общая сумма которых превышает порог, получают скидку. Используйте np.where или логическое сравнение, чтобы эффективно создать этот двоичный столбец. Признак скидки позволяет аналитикам сравнивать распределения выручки для заказов со скидкой и по полной цене в одном вызове groupby.

Если набор данных содержит столбец cost_price, маржу прибыли можно вычислить как (unit_price - cost_price) / unit_price. Используйте clip(lower=0), чтобы ограничить снизу отрицательные значения маржи, вызванные ошибками в данных, прежде чем продолжать анализ. Столбцы с маржой позволяют выполнять групповые агрегирования, ориентированные на прибыль, одновременно с анализом выручки.

Количество дней между первым заказом клиента и текущим заказом — полезный признак давности отношений с клиентом. Вычислите его, сгруппировав данные по customer_id, взяв минимальную дату в качестве даты начала отсчёта и вычтя её из даты каждой строки. Арифметика с разностями дат возвращает столбец значений timedelta64, которые можно преобразовать в целое число дней с помощью .dt.days.

Разбейте столбец revenue на именованные категории размера с помощью pd.cut(), чтобы создать порядковый признак для сегментации. Явно задайте bins и labels в соответствии с принятыми в вашей компании определениями маленьких, средних и крупных заказов. В результате получится категориальный столбец Pandas, который эффективно используется при группировке.

Отсортируйте DataFrame по order_date и примените cumsum() к столбцу выручки, чтобы отслеживать накопление общей выручки за год. Этот накопительный ряд помогает определить, растёт ли выручка линейно, ускоряется ли её рост или он выходит на плато, а также служит основой для каскадной или линейной диаграммы накопленной выручки.

Свойство dt.day_of_week возвращает значения от 0 (понедельник) до 6 (воскресенье). Пометьте заказы субботы (5) и воскресенья (6) как заказы выходных дней, чтобы проверить, отличается ли покупательское поведение в выходные от поведения в будни. Это распространённый признак в исследовательском анализе данных о розничных продажах и анализе A/B-тестов.

Определите лучших клиентов, вычислив общую выручку для каждого customer_id с помощью groupby().sum(), а затем выполнив ранжирование с помощью .rank(ascending=False, method='dense'). Добавление ранга обратно в основной DataFrame с помощью map() позволяет отфильтровать N лучших клиентов одним логическим условием.

Нормализуйте столбец выручки до Z-оценки, чтобы сравнивать размеры заказов в разных категориях товаров с сильно различающимися диапазонами цен. Используйте (df['revenue'] - df['revenue'].mean()) / df['revenue'].std(). Z-оценки выше 3 или ниже -3 являются статистическими выбросами, которые стоит исследовать до построения моделей.

После добавления вычисляемых столбцов сохраните обогащённый DataFrame, чтобы каждый последующий ноутбук начинал работу с одинакового согласованного состояния данных. Используйте to_parquet(), чтобы сохранить типы данных, особенно категориальный столбец order_size и столбец дат и времени order_date. Кратко опишите новые столбцы в блоке комментариев в начале скрипта.

В этом уроке Вы научились: вычислять столбцы выручки и маржи прибыли, извлекать временные признаки с помощью средства доступа .dt и создавать такие признаки, как флаги скидок, категории размера заказа и ранги клиентов. Далее мы рассмотрим групповой анализ по регионам и категориям.