b站up主粉丝画像有朋友知道如何看吗？急！

可以借助第三方数据分析工具看的，如飞瓜数据b站，可以在工具内通过up主查找找到想查看的up主，在up主详情页可以看到该up主核心数据汇总一览、作品数据、直播数据、提及品牌、带货商品、推广游戏、粉丝分析、舆情分析等，在粉丝分析页面可以看到up主粉丝画像，包含粉丝性别分布、粉丝星座分布、粉丝年龄分布、粉丝设备分布、粉丝地域分布、粉丝会员分布、粉丝等级分布、粉丝活跃时间分布，还可以看到粉丝偏好分析、粉丝重合up主等数据

电商怎么看自己粉丝画像 怎样看别人的粉丝画像

电商怎么看自己粉丝画像 怎样看别人的粉丝画像

大神你好，请问查看各类知名主播在淘宝直播的后台数据，使用什么软件？只有知瓜吗？

可以观看主播在淘宝直播的后台数据的软件有很多，一般大品牌的软件比较不错。

淘播眼哦！分析数据更专业你想要的 他基本都有，还有复盘，实时等。

怎么会只有知瓜呢 我用的数据软件是淘播眼 数据精准

淘播眼

知瓜数据——淘宝直播专业数据分析平台

粉丝的人群画像哪里看？

可以在66榜这个网站看到自己或别人的账号的粉丝画像，是免费功能。

好像看不到吧，还是怎么了，好像用电脑才可以看，用手机是看不了的。

短视频数据分析软件可以看，有很多，性价比高的是得果果这款软件。

数据分析项目——电商平台用户画像分析

包括用户行为数据和用户基本信息数据：

重复值处理

缺失值处理

数据格式处理：

日期格式的转换 astype()

查看有无重复值：首先看使用df.查看各个字段的记录数，再看去除重复值后的数量。以此判断有无重复数据。

去重重复值可以使用函数drop_duplicates()

通过df.查看数据格式

看到time是object类型的，不适合处理。同时我们一般将数据分为日期和时间格式，因此对其进行拆分处理。

为各个时段打标，将时段分为'凌晨'、'上午'、'中午'、'下午'、'晚上'

知识点：pd.cut函数，区间分割

查看空值，并计算数量。可以看到并无空值。

在订单表中按照（用户，时段）分组，取每个时段的记录数（订单数）：

这里的作流程与hive-sql类似，我们需要先把max算出来，再去关联。

将生成的标签加入标签表：

同理，可统计出用户购买的活跃时间段，在此不赘述，仅展示结果

分析用户喜欢的类目，从而便于我们为其进行。

终得到标签表：

通过分析用户分析近的行为，来判断该用户是否活跃、流失

分析近30天的活跃天数，只要有浏览、收藏、加购和购物四种行为之一就认为是活跃。

结果如下：

我们可以通过查看所有用户30天活跃天数的分布情况，来确认一个分类的标准，判断某个用户是否活跃。

用户30天活跃天数分布图如图：

同理，可分析用户近7天的行为，包括其购物次数和活跃天数。

与上述作类似，展示结果:

明确今天的日期，在本项目中，“今天”指“2014-12-19”，然后统计订单表中用户某种行为的日期与当前日期的值。

使用的函数是：datetime.strptime： new datetime parsed from a string (like time.strptime()) ，将字符串转为date格式，以方便我们做日期运算

结果如图：

使用日期的diff函数

返回结果

RFM分组是指按照近一次消费 (Recency)、消费频率 (Frequency)和消费金额(Monetary)进行分组

近一次消费，我们按照后一次购物距今的天数进行分组，同样是观看用户的一个分布情况，然后看如何进行分类。

消费频率，这里放宽要求，按照用户的30天活跃天数进行分类

消费金额，本次不涉及金额的统计。

因此，我们可以根据活跃度分类和近一次消费将用户划分为四类：

结果如图

可以看到在第8天前后，用户有明显的分层，因此按照8天对其进行划分，后一次消费距今天数小于8天的，认为近有消费，大于8天的认为近无消费

返回结果：

通过value_counts查看每个值的出现次数：

上述返回的结果值是：

如果值为空，说明无相应的行为，对浏览未购买的数据记录进行打标

以上的步骤到商品粒度，下面对用户进行统计，即只要用户有浏览未下单的行为就对其进行打标

返回的结果如图：

加购未下单同上述步骤

分析平台用户的年龄、学历、性别、城市、职业、婚姻情况等，以便于我们去分析我们的典型用户是什么。

从上图可以看出，平台用户中男性居多，女性较少。

值的分层可以使用pd.cut函数

从年龄分布图中，可以看出平台的用户以25岁-40岁的用户居多。青年人和中老年用户较少。

返回结果如下图，从结果中可以看到来自北上广深的用户占绝大部分比例。

从婚姻分布情况中可以看到，平台用户中有超过60％的用户为已婚。

使用该平台的用户大部分拥有大学及以上的学历

使用该平台的用户大部分为互联网从业人群

首先查看这一个月的时间跨度用户每天的购物情况：

从上图可以看出，该平台每天的下单用户数比较平稳，有一些周期性因素在其中，可能是每周周中和周末的购物情况不同。同时，注意到12.12这一天购物用户激增，可能是12.12购物节的因素。

再分析下用户喜欢在周几下单，哪个时间下单

从图中我们可以看到用户的喜欢的购物时间：周五，晚上9点。上午购物的人数都比较少，主要集中在下午和晚上。

通过用户的下单情况，我们可以对每周的下单用户进行分层，将其分为活跃用户、不活跃用户和回流用户。

终结果

通过面积图看一下每周不同类型用户的比例情况：

复购率：一周内购买多次（＞1）的用户占总用户的比例

从中可以看到，5周的复购用户都在50％以上，47周和51周的复购率较低，可能是因为数据不完整的原因。

用户喜欢购买的品类？

用户多收藏的品类？

从结果可见，用户喜欢购买的品类前五名是6344、12189、5232、1863和4370，用户收藏多的品类是13230、5894、1863、6513和5027。

转换率=浏览该商品的用户数/购买该商品的用户数

终结果如图：

查看转换率的分布情况：

项目三、电商用户画像分析（上）

电商用户画像分析： 用户画像是通过分析用户的基础信息、特征偏好、属性等各维度的数据，刻画出用户的信息全貌，它是建立在一系列属性数据之上的目标用户模型。用户画像的本质是一个用以描述用户需求的工具。用户画像一般是产品设计、员从用户群体中抽象出来的典型用户，从中可以挖掘用户价值，提供个性化、精准营销等服务。

电商用户画像分析的作用：

1.导入使用的包：

2.导入数据：

3.理解数据：

order_data共有五个字段，分别为，其中behior_type中1为浏览，2为收藏，3为加购，4为购买

1.缺失值处理：

1、用户活跃的时间

1.1 用浏览活跃时间段

1.2 用户购买活跃时间段

1.3 清除缓存：

2、关于类目的用户行为

2.1 浏览多的类目

2.2 收藏多的类目

2.3 加购多的类目

2.4 购买多的类目

3.2 近30天加购次数

3.3 近30天活跃天数

4、7天用户行为

4.2 近7天加购次数

4.3 近7天活跃次数

5.后一次行为距今天数(今天取2014/12/18)

5.1 上次浏览距今天数

5.2 上次加购距今天数

5.3 上次购买距今天数

6.近两次购买间隔天数

7.是否有商品浏览未下单

8.是否有商品加购未下单

9、用户属性标签

9.1 是否复购用户

9.2 访问活跃度

总体上看，访问天数多的访客比访问天数少的访客数量多，且以20次左右为拐点，因此定义访问天数小于20次的为低活跃，访问天数大于等于20次的定义为高活跃。

9.3 购买的品类是否单一

9.4 用户价值分组

可以看出大于8天为低