3.初步描述性统计

研究背景与目标

本报告通过对淘宝平台上“牛仔裤”类商品的价格和销量数据进行深入分析，采用了直方图、Q-Q图、皮尔森相关系数等数据分析技术，旨在帮助电商从业者和创业者更好地理解市场动态，并优化产品定价、销售策略和市场推广策略。我们通过电商记插件采集了4800条商品数据，涵盖了商品的价格、月销量等多个重要字段。本报告将详细介绍数据的清洗、处理及分析过程，并通过统计分析方法揭示市场趋势。

💻交互式文档 💬向助教提问

这个交互式文档中包含四个步骤，用户可依次点击四个单元格左侧的“运行”按钮，获得分析结果（在单元格之后）和相应的图表（在整个文档末尾）。

为了使数据分析更加便捷，本文还介绍了如何借助交互式文档和AI助手进行分析，即使用户不熟悉编程技术，也可以在单元格中生成代码。用户只需要将自己的数据分析需求输入到AI助手中，AI助手即可生成直方图、Q-Q图、皮尔森相关系数等分析所需的代码，并帮助用户完成可视化和分析过程。

1. 数据采集

数据通过电商记插件从淘宝平台采集，搜索关键词为“牛仔裤”，包括两种排序方式：

• 综合排序：考虑商品的销量、评价、价格等因素。
• 销量排序：按商品的月销量进行排序。

每条数据包括商品ID、标题、价格、月销量等多个字段。

2. 数据清洗与预处理

在分析之前，数据清洗是确保数据质量和准确性的关键步骤。我们进行了以下简化的处理：

• 去除重复项：确保每个商品ID在数据中唯一，删除重复记录。
• 处理缺失值：对于价格和销量字段的缺失值，使用均值填补。
• 标准化字段格式：将“月销量”中的非数值字符（如“万+”）转换为实际的销量数字。

3. 数据分析与可视化

3.1 价格分布：直方图

为了了解牛仔裤的市场定位，我们绘制了价格的直方图。直方图是一种用于展示数据分布的图形，能够帮助我们识别数据的集中趋势和分布形态。

概念解析：

• 直方图：通过将数据分成多个区间（箱子）来显示数据的分布情况。每个箱子的高度表示该区间内数据的频次。通过观察直方图，我们可以了解数据的整体分布情况，如是否偏向某个区间。
• 核密度估计（KDE）：是直方图的平滑曲线，帮助我们更直观地看出数据的分布趋势。

代码与分析：

在交互式文档中，用户只需输入需求，例如：“我想分析价格的分布情况并生成直方图”，AI助手会自动为用户生成代码，如下所示：

# 绘制价格分布图
plt.figure(figsize=(10, 6))
sns.histplot(df['价格'], kde=True, bins=30, color='blue')
plt.title('商品价格分布图')
plt.xlabel('价格')
plt.ylabel('频次')
plt.show()

通过直方图，我们发现大部分牛仔裤的价格集中在100元到300元之间，符合大多数消费者的购买能力。价格分布呈正态分布，少数高价商品的数量相对较少。

AI助手

在交互式文档中，AI助手可以帮助非技术用户轻松进行数据分析。用户只需输入自己的分析需求，点击“生成”按钮，AI助手会自动生成相应的代码，提供直方图、Q-Q图、皮尔森相关系数等可视化和统计分析的实现。

用户点击“更新”按钮，将生成的代码更新到文档的单元格中。

只要运行这个单元格，无需编程经验，用户即可获得深入的市场洞察和数据支持，帮助优化决策。

3.2 月销量分布：Q-Q图

为了分析月销量数据的分布，我们使用了Q-Q图（Quantile-Quantile Plot）。Q-Q图可以帮助我们检查一个数据集是否符合某种理论分布（如正态分布）。

概念解析：

• Q-Q图：通过将数据的分位数与标准分布的分位数进行比较，如果数据的分布与正态分布相符，Q-Q图上的点将沿对角线排列。
• 正态分布：是一种对称的钟形分布，许多自然现象和社会现象呈现这种分布。

代码与分析：

在交互式文档中，用户可以输入：“我希望分析销量的分布并生成Q-Q图”，AI助手会生成如下代码：

import scipy.stats as stats

# 绘制Q-Q图
plt.figure(figsize=(8, 8))
stats.probplot(df['月销量'], dist="norm", plot=plt)
plt.title('牛仔裤月销量的Q-Q图')
plt.show()

根据上面绘制的Q-Q图，我们可以进行如下解读：

Q-Q图解读：

1. X轴（Theoretical Quantiles）：理论分位数，这是标准正态分布的分位数（即正态分布的预期分位点）。Q-Q图的X轴表示从标准正态分布中提取的理论数据点。

2. Y轴（Ordered Values）：实际数据的分位数，表示你提供的牛仔裤销量数据的实际分位点。这些点是从实际的销量数据中排序后得到的。

3. 图形特征：

   • 左下方的密集点：这些点沿着对角线（理论分位数）分布，说明销量数据的低值区域与标准正态分布的低端比较接近。
   • 右上方的离群点：有大量的销量数据点远离对角线，尤其是在图形的右上方。很多点明显偏离了对角线，形成了一个曲线的趋势。这个趋势表明，牛仔裤的销量数据可能并不符合正态分布，尤其是在高销量（右侧）部分。

4. 结论：

   • 从图中可以看出，销量数据并不完全符合正态分布，特别是数据的尾部（销量较高的部分）。数据在低销量部分可能与正态分布较为接近，但随着销量的增加，数据出现了较大的偏差。
   • 在实际数据中，通常这种现象表明“少数高销量的产品”对整体销量的贡献巨大，类似长尾分布。大多数牛仔裤的销量较低，但少数产品的销量非常高，这种“少数占大多数”的分布特征显然是显著的。

Q-Q图的意义：

• Q-Q图本质上是通过将数据的分位数与标准正态分布的分位数进行比较，来检查数据是否符合特定的分布。
• 如果点大致沿对角线分布，说明数据可能符合该分布（如正态分布）。
• 如果点偏离对角线，说明数据与该分布的偏差较大。在你的图中，偏离对角线的情况较明显，特别是在右侧高销量的部分。

结论：

• 牛仔裤销量的数据呈现出重尾或长尾分布的趋势（少数高销量产品贡献了大部分销量）。这表明产品的销量分布并不均匀，大多数产品的销量相对较低，少数热门产品的销量非常高。

相对应的销量分布直方图如下所示。

3.3 价格与销量的关系：皮尔森相关系数

为了探究价格与销量之间的关系，我们计算了皮尔森相关系数，这是一种衡量两个变量之间线性相关程度的统计量。

概念解析：

• 皮尔森相关系数：其值范围在-1到1之间，表示两个变量之间的线性相关性：
  • 1 表示完全正相关：一个变量增加时，另一个变量也按比例增加。
  • -1 表示完全负相关：一个变量增加时，另一个变量按比例减少。
  • 0 表示没有线性关系：两个变量之间没有可预测的关系。

代码与分析：

在交互式文档中，用户可以输入：“我想了解价格与销量之间的关系”，AI助手会自动生成代码来计算皮尔森相关系数：

# 计算皮尔森相关系数
correlation = np.corrcoef(df['价格'], df['月销量'])[0, 1]
print(f"价格与月销量的皮尔森相关系数: {correlation:.2f}")

计算结果显示，价格与销量的皮尔森相关系数为-0.05，说明两者之间不存在一定的正相关关系。这意味着牛仔裤的价格对销量没有大的影响。

3.4 高销量产品的贡献

最后，我们分析了销量前10%的高销量产品，并计算它们对总销量的贡献度。结果表明，高销量产品贡献了约50%的总销量，这表明少数畅销商品对整个市场的销售影响巨大。

代码与分析：

用户只需要输入需求：“我希望了解高销量产品的贡献”，AI助手会生成以下代码：

# 找到销量前10%的产品并计算其贡献
high_sales_threshold = df['月销量'].quantile(0.9)
high_sales = df['月销量'][df['月销量'] >= high_sales_threshold]
high_sales_contribution = high_sales.sum() / df['月销量'].sum()
print(f"销量前10%的产品贡献了 {high_sales_contribution * 100:.2f}% 的总销量")

4. 结果与策略建议

4.1 市场概况

• 价格分布：大部分牛仔裤的价格集中在100元到300元之间，属于中低价位商品。
• 销量分布：销量呈正态分布，少数高销量商品占据大部分市场份额。
• 价格与销量的关系：价格与销量之间不存在一定的正相关关系，不是决定性因素。

4.2 策略建议

• 优化高销量商品的曝光：鉴于少数高销量商品贡献了大部分销售，电商应集中资源提升这些产品的曝光度。
• 中低价策略：大多数消费者倾向于购买100元到300元价格区间的牛仔裤，因此，电商可以重点推广这一价位段的商品。
• 价格优化：虽然价格与销量没有一定的正相关关系，但应谨慎调整价格，避免影响销量。

5. 总结

本报告通过对淘宝牛仔裤市场数据的分析，揭示了该市场的主要特点，尤其是在价格、销量分布和价格与销量之间的关系方面。通过使用直方图、Q-Q图和皮尔森相关系数等统计分析方法，我们获得了对市场的深刻洞察，为电商从业者提供了优化市场策略的建议。

值得注意的是，本文介绍的交互式文档与AI助手功能使得即使是没有编程经验的用户，也能轻松完成数据分析任务。用户只需输入分析需求，AI助手便可自动生成所需的代码，帮助用户完成数据清洗、可视化及统计分析。

💻交互式文档 💬向助教提问

附件Excel文件

📁附件Excel文件包含“牛仔裤”关键词的综合、销量两表共9600条记录，可用作研究学习。