如何理解R語言數據分析中的Cohort存留分析

這篇文章給大家介紹如何理解R語言數據分析中的Cohort存留分析，內容非常詳細，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。

相信經常做數據分析的同學都聽說過Cohort 分析，特別是互聯網運營中，用于分析客戶存留等場景，以往這種分析大都借助SQL+Excel完成。

最近在嘗試學習 Cohort 用戶存留分析時，找到了國外一個數據分析愛好者Cohort 存留分析的Python版本完整代碼，并且很良心到的提供了練習數據，作為一個R比Python要熟練的菜鳥分析師，自然是首先想到如何把這個代碼翻譯成R版本。

http://www.gregreda.com/2015/08/23/cohort-analysis-with-python/

終于功夫不顧有心人，忙活了一天用R語言代碼還原了這個Cohort分析的R語言版本，這里分享給大家，代碼不佳之處，敬請見諒，只是一個demo，還沒有做封裝。

library('xlsx')
library('ggplot2')
library('dplyr')
library('magrittr')
library('tidyr')
library('reshape2')

1、數據導入：

setwd("D:/R/File/")
df <- read.xlsx('relay-foods.xlsx', sheetName = 'Purchase Data')

2、數據清洗：

存留分析使用到的字段只有購買日期、用戶ID等信息，分析月度存留，需要將日期規范化成年月形式，同時按照客戶id分組，計算出用戶首次購買的日期，代碼如下：

2.1 創建購買月份字段

df$OrderPeriod = format(df$OrderDate,'%Y-%m')   #購買日期

2.2 創建用戶首次購買字段

CohortGroup = df %>% group_by(UserId) %>% 
              summarize( CohortGroup = min(OrderDate)) 
              #計算用戶首購日期

CohortGroup$CohortGroup <-  CohortGroup$CohortGroup %>% format('%Y-%m') 

df <- df %>% left_join(CohortGroup,by = 'UserId')  
#將首購日期與原始訂單表合并對齊

2.3 分組（按照首購日期、購買日期）計算總用戶數、總訂單數、總支付金額（用戶ID要去重）

chorts <- df %>% group_by(CohortGroup,OrderPeriod) %>% 
           summarize(
               UserId  = n_distinct(UserId),
               OrderId = n_distinct(OrderId),
               TotalCharges = sum(TotalCharges)
               ) %>% rename(TotalUsers= UserId , TotalOrders = OrderId)

2.4 按照用戶ID分組并根據購買日期月份添加順序標簽

chorts <- chorts %>% 
              arrange(CohortGroup,OrderPeriod) %>% 
              group_by(CohortGroup) %>% 
              mutate( CohortPeriod =row_number())

3、計算當月購買新用戶數

cohort_group_size <- chorts %>% 
             filter(CohortPeriod == 1) %>% 
             select(CohortGroup,OrderPeriod,TotalUsers)

user_retention <- chorts %>% 
             select(CohortGroup,CohortPeriod,TotalUsers) %>% 
             spread(CohortGroup,TotalUsers) 
             #長表轉換為寬表#將具體用戶數換算為占基準月份比率

user_retention[,-1] <- user_retention[,-1] %>% t() %>% `/`(cohort_group_size$TotalUsers) %>% t() %>% as.data.frame()

寬表轉為長表

user_retention1 <- user_retention %>% select(1:5) %>% 
            melt( 
                id.vars = 'CohortPeriod', 
                variable.name = 'CohortGroup', 
                value.name = 'TotalUsers'
                )

4、存留曲線

ggplot(user_retention1,aes(CohortPeriod,TotalUsers)) +
     geom_line(aes(group = CohortGroup,colour = CohortGroup)) +
     scale_x_continuous(breaks = 1:15) +
     scale_colour_brewer(type = 'div')

最終的存留熱力圖數據源：

user_retentionT <- t(user_retention) %>% .[2:nrow(.),]  %>% as.data.frame
user_retentionT$CohortPeriod <- row.names(user_retentionT)
row.names(user_retentionT) <- NULLuser_retentionT <- user_retentionT[,c(16,1:15)]

user_retentionT1 <- user_retentionT %>% 
            melt( 
                id.vars = 'CohortPeriod', 
                variable.name = 'CohortGroup', 
                value.name = 'TotalUsers'
                )

5、存留分析熱力圖：

library("Cairo")
library("showtext")

font_add("myfont","msyh.ttc")
CairoPNG("C:/Users/RAINDU/Desktop/emoji1.png",1000,750)
showtext_begin()
ggplot(user_retentionT1 ,aes(CohortGroup,CohortPeriod,fill=TotalUsers))+
  geom_tile(colour='white') +
  geom_text(aes(label = ifelse(TotalUsers != 0,paste0(round(100*TotalUsers,2),'%'),'')),colour = 'blue') +
  scale_fill_gradient2(limits=c(0,.55),low="#00887D", mid ='yellow', high="orange",midpoint = median(user_retentionT1$TotalUsers, na.rm =TRUE),na.value = "grey90") +
  scale_y_discrete(limits = rev(unique(user_retentionT1$CohortPeriod))) +
  scale_x_discrete(position = "top")+
  labs(title="XXX產品Chort留存分析",subtitle="XXX產品在2019年1月至2010年三月中間的留存率趨勢")+
  theme(
    text = element_text(family = 'myfont',size = 15),
    rect = element_blank()
    )
showtext_end()
dev.off()

存留分析是互聯網數據分析和運用中經常會用到分析工具，本節的R代碼是源于篇首Python代碼的思路，大家可以對比兩者的優劣，作為今后分析使用的參考資料。

關于如何理解R語言數據分析中的Cohort存留分析就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。