Excel、SQL、Python做數(shù)據(jù)分析有何不同？
作者簡介
HeoiJin：立志透過數(shù)據(jù)看清世界的產(chǎn)品策劃，專注爬蟲、數(shù)據(jù)分析、產(chǎn)品策劃領域。萬物皆營銷 | 資本永不眠 | 數(shù)據(jù)恒真理
CSDN：https://me.csdn.net/weixin_40679090
一、前言
后互聯(lián)網(wǎng)時代，獲客拉新的成本越來越高，如何增加客戶的留存，提高客戶的復購次數(shù)、購買金額等變得十分重要，同期群分析便是當中非常重要的分析方法。
關于同期群分析概念和思路的文章很多，但分享如何實現(xiàn)的文章非常罕見。因此，本文將簡單介紹同期群分析的概念，并用數(shù)據(jù)分析師的三板斧ESP（Excel、MySQL、Python）分別實現(xiàn)同期群分析。
二、項目準備
Excel： office或wps均可，office 2013后的版本更好 MySQL： 版本：8.0（本次不涉及窗口函數(shù)，其他版本亦可） Navicat Python： 版本：3.7 IDE：pycharm 庫：pandas、xlrt
PS.
因篇幅原因，可能會有未能詳細講解的過程 完整源碼及數(shù)據(jù)集請移步至文末獲取
三、同期群分析概念講解
數(shù)據(jù)分析最終目標都是為了解決業(yè)務問題，任何分析方法都只是工具。因此在詳細講解如何實現(xiàn)之前，需要先明晰方法的含義是什么，能帶來什么收益，才能在合適的問題上選對分析方法。
3.1 同期群分析含義
同期群(Cohort)即相同時間內具有相似或特定屬性 、行為的群體。核心要素為時間+特定屬性，比如把00后出生的人劃分為一個群組。
同期群分析指將用戶進行同期群劃分后，對比不同同期群用戶的相同指標。我們耳熟能詳?shù)牧舸媛示褪峭谌悍治龅钠渲幸环N，案例如下圖：
同期群分析包含了3個重要元素：
客戶首次行為時間，這是我們劃分同期群的依據(jù) 時間維度，即上圖中+N月或者N日留存率中的N日 指標，注冊轉化率、付款轉化率、留存率等等
3.2 意義
同期群分析給到更加細致的衡量指標，幫助我們實時監(jiān)控真實的用戶行為、衡量用戶價值，并為營銷方案的優(yōu)化和改進提供支撐：
橫向比較：觀察同一同期群在不同生命周期下的行為變化，推測相似群體的行為隨時間的變化
縱向比較：觀察不同的同期群在同一個生命周期下的行為變化，驗證業(yè)務行為是否取得預期效果
四、材料梳理
4.1 數(shù)據(jù)情況梳理
拿到數(shù)據(jù)的第一步，自然是了解數(shù)據(jù)的情況。針對本次同期群分析，我們可能需要用到的字段有：
客戶昵稱 付款時間：時間戳形式 訂單狀態(tài)：交易失敗/交易成功 支付金額 購買數(shù)量
通過進一步計算，發(fā)現(xiàn)付款時間中缺失值所在行的訂單狀態(tài)均為“交易失敗”，那么下文分析都需要將訂單狀態(tài)為“交易失敗”的行全部剔除。
4.2 分析方法確定
針對此份數(shù)據(jù)，有3個分析方向可以選擇：
留存率或付款率 人均付款金額 人均購買次數(shù)
我們選擇其中最經(jīng)典，也是數(shù)分面試中最常考的留存率作為例子，需要用到的字段有：
客戶昵稱 付款時間 訂單狀態(tài)
相信各位對留存率都十分熟悉，不過多介紹。在本次的分析中，留存率的具體計算方式為：+N月留存率=（+N月付款用戶數(shù)/首月付款用戶數(shù)）*100%
注意：公式中的+N月存在歧義，會有兩種計算方法：
以自然月作為月份偏移的依據(jù)：即所有首次行為在9月的用戶，只要10月有付款行為，都計算進+1月留存 以每30天作為月份偏移的依據(jù)：即9月30日首次付款的用戶，在10月30日-11月29日之間有付款行為，才計算進+1月留存
具體的差距會在Excel（用算法1）和MySQL（用算法2）兩種工具實現(xiàn)的結果中分別展示。沒有相關技術背景的看官老爺可直接對比最終的留存率結果。
五、Excel實現(xiàn)
Excel的實現(xiàn)方式是三個當中門檻最低的，只需要掌握數(shù)據(jù)透視表和一些基礎函數(shù)，但過程相對繁雜。實現(xiàn)思路如下：
實現(xiàn)思路一共分為4大部分：數(shù)據(jù)清洗 -> 計算首單時間 -> 計算首單時間與付款時間差 -> 利用透視表計算同期群留存量和留存率。其中由于部分版本的office和wps的數(shù)據(jù)透視表不支持非重復計數(shù)，因此需要先計算各月中各用戶出現(xiàn)的次數(shù)。
數(shù)據(jù)清洗部分只需要篩選+刪除便可完成，相信如此簡單的操作難不倒各位看官老爺們，那么我們便從第二部分開始詳細講解。
5.1 計算每個客戶首單時間
首先通過數(shù)據(jù)透視表求每一個用戶首次付款時間。數(shù)據(jù)透視表，說白了就是通過特定的條件進行分組，并對數(shù)據(jù)進行求和、求均值、求方差等聚合操作。在制作數(shù)據(jù)透視表時要注意以下幾點：
數(shù)據(jù)區(qū)域的第一行為標題欄（字段名稱） 標題欄不能出現(xiàn)空單元格，亦不要出現(xiàn)重復的標題名 數(shù)據(jù)中避免有合并單元格 不能出現(xiàn)非法日期
5.1.1 創(chuàng)建透視表
全選數(shù)據(jù)?->?插入?->?數(shù)據(jù)透視表?->?確定
5.1.2 選擇分組字段和值字段
將“客戶昵稱”拖進“行”，將付款時間拖進“值”，并將值字段設置中的匯總方式設置為最小值
這里最小付款時間顯示為10位的時間戳，只要調整顯示格式便可轉為我們常見的xx年xx月xx日。
5.1.3 將首單時間拼接到每個用戶所在行
此步驟需要使用到vlookup函數(shù)進行匹配。VLOOKUP函數(shù)是一個縱向查找的函數(shù)，包含4個參數(shù)，具體語法為=VLOOKUP（查找的依據(jù)，查找的區(qū)域，返回的值在查找區(qū)域中的列號，是否近似匹配）
注意：
查找的位置如果要保持不變，要使用A:B或者1:15的形式鎖定匹配區(qū)域 參數(shù)[ 查找的位置 ]中，“!”號前為表的名稱 列號的計數(shù)是從1開始，且第一列必須是與查找依據(jù)對應的列 近似匹配參數(shù)中，0為否（即必須與查找依據(jù)一模一樣才匹配），1為是（即依據(jù)為“同期”時，可以匹配出“同期”、“同期群”或者“同期群分析”）
=VLOOKUP(A2,首付時間透視表!A:B,2,0)
利用VLOOKUP拼接之后，首單時間同樣顯示為10位的時間戳，設置單元格格式后即可顯示為上圖的形式。
5.2 計算時間差
5.2.1 對付款時間和首單時間進行降采樣
如按算法2進行計算，可直接省略此步驟。
可能有看官老爺對重采樣的概念并不是很清楚，簡單說下：
將時間序列從一個頻率轉化為另外一個頻率的過程即重采樣 常見的時間頻率由低到高依次為：年 -> 月 -> 日 -> 時 -> 分 -> 秒 將高頻率轉為低頻率為降采樣，將低頻率轉為高頻率為升采樣
在Excel當中可以使用分列或者時間相關函數(shù)（YEAR、MONTH、DAY等）方式來獲取到對應的時間頻率。我們使用YEAR和MONTH來對時間進行降采樣，注意與字符串連接一定要用“&”號。
=YEAR(B2)&"/"&MONTH(B2)
5.2.2 計算時間差
此步驟中需要用到DATEDIF函數(shù)，此公式常用于計算兩個日期之間的天數(shù)、月份、年數(shù)差，語法為：=DATEDIF（起始時間，結束時間，時間頻率），常用的時間頻率參數(shù)有['Y','M','D']，分別對應年月日
=DATEDIF(E2,D2,"M")
5.2.3 重置月份差標簽
修改透視表的標簽并不方便，因此先重置月份差標簽，需要用到一個IF函數(shù)便可。具體語法：=IF（條件，符合條件時的操作，不符合條件時的操作）
=IF(F2=0,"首月","+"&F2&"月")
5.3 計算同期留存量和留存率
如果是office 2013及之后的版本，以上的數(shù)據(jù)已經(jīng)足夠我們進行留存量的計算，可以直接跳過計算用戶出現(xiàn)次數(shù)環(huán)節(jié)。
5.3.1 計算每月中每個用戶出現(xiàn)的次數(shù)
這里利用COUNTIFS函數(shù)，計算出“用戶昵稱”和“付款時間（重采樣）”均相同的次數(shù)，并取其倒數(shù)，讓當月無論該用戶出現(xiàn)多少次，最終都只會計算為一次。即假設用戶當月付款5次，倒數(shù)后權重變?yōu)?/5，求和后出現(xiàn)次數(shù)為1。
COUNTIFS的語法為：=COUNTIFS（區(qū)域A，條件A，區(qū)域B，條件B，....）
=COUNTIFS(A:A,A:A,D:D,D:D,E:E,E:E)
=1/H2
5.3.2 創(chuàng)建留存量數(shù)據(jù)透視表
針對wps及office2013以前的版本，我們已經(jīng)計算了出現(xiàn)次數(shù)的倒數(shù)，只需要仿照前文“計算每個用戶首單時間”的步驟創(chuàng)建數(shù)據(jù)透視表，以“首單時間重采樣”作為行，以“月份差標簽”作為列，以“出現(xiàn)次數(shù)（倒數(shù)）”作為值，并修改值字段設置中的計算類型為求和即可。
而office 2013及之后的版本，我們在插入數(shù)據(jù)透視表時，需要注意勾選“將此數(shù)據(jù)添加到數(shù)據(jù)模型”
同樣以“首單時間重采樣”作為行，以“月份差標簽”作為列，但不同的是，我們可以直接以“客戶昵稱”作為值，并在值字段設置當中，將計算類型設置為“非重復計數(shù)”。
到此，我們留存量的透視圖便完成了，但格式看上去還是有點丑，我們手動拖動下行、列標簽的排序，最終獲得如下效果：
5.3.3 計算留存率
在值字段顯示方式當中并沒有找到我們想要的效果，因此我們在數(shù)據(jù)透視表下方選定一個區(qū)域，復制好行標簽和列標簽。通過公式“=C5/$B5”計算出留存率，并向右向下拖動公式便可完成
注：
B5為2019年9月的首月留存量，C5為2019年9月的+1月留存量 分母需要將B列鎖定，否則在向右拖動公式時，分母會依次變?yōu)镈5、E5
完美符合我們預期的結果！Excel版本的實現(xiàn)就到這里便完成，接下來是門檻稍微高一億點點的MySQL實現(xiàn)。
六、MySQL實現(xiàn)
MySQL的實現(xiàn)路徑與Excel的實現(xiàn)路徑非常相近，具體步驟為：
導入數(shù)據(jù) 清洗數(shù)據(jù)：篩選訂單狀態(tài)為“交易成功”的行 獲取首單時間 求月份偏移：求出月份差，并對首付時間降采樣 計算留存量：通過首付時間和月份差進行分組，求唯一的用戶id數(shù) 求留存率
6.1 導入數(shù)據(jù)
目前的數(shù)據(jù)的保存格式為xlsx，我們需要先將數(shù)據(jù)導入到數(shù)據(jù)庫當中才能執(zhí)行查詢。第一步選擇一個庫，右鍵選擇導入向導。
第二步選擇導入類型，我們直接選擇Excel文件即可。
第三步為選擇數(shù)據(jù)源的路徑，我們找到對應的數(shù)據(jù)后，勾選需要導入的表。
完成前文的操作之后便可以點擊“>>”跳轉至最后的步驟，當然中間還有幾個調整數(shù)據(jù)的步驟，但此次數(shù)據(jù)十分工整，不需要進行額外操作。
到達下圖的界面，我們按照指引直接點擊“開始”即可，如導入成功，會在日志欄中顯示Finished successfully，如下圖所示。
6.2 數(shù)據(jù)清洗
照舊先篩選出訂單狀態(tài)為交易成功的行，并提取用戶昵稱、付款時間兩個字段。這里我們稍微修改了列名，把`用戶昵稱`修改成`c_id`，`付款時間`修改為`paytime`，`交易狀態(tài)`修改成了`status`。
我們后續(xù)的查詢都是基于篩選后的數(shù)據(jù)，因此這里新建一個表sheet2去存儲查詢結果。
--?步驟一：篩選訂單狀態(tài)為”交易成功“的行，并輸出表sheet2：用戶昵稱[c_id]、付款時間[paytime]
CREATE?table?sheet2?as
SELECT?c_id,paytime
FROM?sheet1
WHERE?`status`='交易成功';
6.3 計算首單時間
此步驟只需要對用戶昵稱進行groupby，再求最小值即可，不多贅述。
--?步驟二：找出每個用戶的首單時間
SELECT?c_id,min(paytime)?f_time
FROM?sheet2
GROUP?BY?c_id;
6.4 計算月份差，重采樣首付時間
此步驟中會涉及到兩個重要的函數(shù)：
與Excel類似，MySQL對時間戳重采樣也是用YEAR()、MONTH()等函數(shù) 用于計算日期差的TIMESTAMPDIFF，具體語法為TIMESTAMPDIFF(頻率，起始時間，結束時間)
當然在計算月份差之前，需要以用戶名稱作為依據(jù)，拼接用戶的首單時間。但由于數(shù)據(jù)量較大，拼接需要重復遍歷整個表很多遍，耗時很長。而當前查詢的結果并不是最終結果，我們只需要確保查詢語句沒有問題即可。因此我們引入分頁查詢（LIMIT語句）來限制查詢結果的行數(shù)，從而提高查詢效率。
--?步驟三：求出月份差，對首付時間進行重采樣
SELECT?
?a.c_id,
?b.f_time,
?TIMESTAMPDIFF(MONTH,b.f_time,a.paytime)?m_diff,
?CONCAT(YEAR(b.f_time),"年",MONTH(b.f_time),"月")?y_m
FROM?sheet2?a
LEFT?JOIN?(
?SELECT?c_id,min(paytime)?f_time
?FROM?sheet2
?GROUP?BY?c_id
--??LIMIT測試時用，為了提升效率
?LIMIT?0,7000
)?b?on?a.c_id=b.c_id
--?同樣是為了提升效率而使用
WHERE?b.f_time?is?NOT?NULL;
6.5 計算留存量
我們只需要將前面的三個步驟作為子查詢，并以`首單時間`以及`月份差`作為條件對數(shù)據(jù)進行分組，用DISTINCT篩選出唯一的`用戶ID`即可求出我們所需的留存量。這里創(chuàng)建一個名為cohort的表儲存查詢結果。
--?步驟四：通過首付時間和月份差進行分組，求出唯一的用戶id數(shù),并輸出為表[cohort]
CREATE?table?cohort?as
SELECT?c.y_m?"首付月份",c.m_diff"月份差",COUNT(DISTINCT?c.c_id)?"留存量"
FROM?(
SELECT?
?a.c_id,
?b.f_time,
?TIMESTAMPDIFF(MONTH,b.f_time,a.paytime)?m_diff,
?CONCAT(YEAR(b.f_time),"年",MONTH(b.f_time),"月")?y_m
from?sheet2?a
LEFT?JOIN?(
?SELECT?c_id,min(paytime)?f_time
?FROM?sheet2
?GROUP?BY?c_id
)?b?on?a.c_id=b.c_id
--?為了提升效率而使用
WHERE?b.f_time?is?NOT?NULL
)?c
GROUP?BY?c.y_m,c.m_diff;
查詢結果如下。相比于步驟三，我們這里刪除了用于分頁查詢的LIMIT語句，但依然保留了WHERE b.f_time is NOT NULL。這里的where語句并沒有篩選任何一行，但有無這一句的查詢效率相差非常大，分別為0.739s和125.649s。這里涉及到SQL優(yōu)化的問題，有機會以后專門整理一篇文章分享給各位。
6.6 計算留存率
我們有了留存量的表格，計算留存率便非常容易，只要讓每一期的留存率都除以首月的留存率即可。
--?步驟五：計算留存率（基礎版）
SELECT?c.`首付月份`,CONCAT(ROUND((c.`留存量`/m.`留存量`)*100,2),"%")?留存率
FROM?cohort?c
LEFT?JOIN?(
?SELECT?首付月份,留存量
?FROM?cohort
?where?`月份差`=0
)?m?
on?c.`首付月份`=m.`首付月份`;
留存率結果如上圖，但結果并不利于觀察和分析，因此接下來的進階版將通過case when語句，加入億點細節(jié)來優(yōu)化下展示格式。
--?步驟五：計算留存率（進階版）
SELECT?
?n.`首付月份`,
?AVG(n.`留存量`)?"本月新增",
?CONCAT(sum(n.`+1月`),"%")?"+1月",
?CONCAT(sum(n.`+2月`),"%")?"+2月",
?CONCAT(sum(n.`+3月`),"%")?"+3月",
?CONCAT(sum(n.`+4月`),"%")?"+4月",
?CONCAT(sum(n.`+5月`),"%")?"+5月"
FROM(
?#?一級子查詢：轉置表格，將月份差作為列名
?SELECT?
??a.`首付月份`,
??a.`留存量`,
??CASE?a.`月份差`?when?1?THEN?a.`留存率`?ELSE?0?END?"+1月",
??CASE?a.`月份差`?when?2?THEN?a.`留存率`?ELSE?0?END?"+2月",
??CASE?a.`月份差`?when?3?THEN?a.`留存率`?ELSE?0?END?"+3月",
??CASE?a.`月份差`?when?4?THEN?a.`留存率`?ELSE?0?END?"+4月",
??CASE?a.`月份差`?when?5?THEN?a.`留存率`?ELSE?0?END?"+5月"
?FROM(
??#?二級子查詢：計算留存率
??SELECT?a.`首付月份`,b.`留存量`,a.`月份差`,ROUND((a.`留存量`/b.`留存量`)*100,2)?留存率
??FROM?cohort?a
??LEFT?JOIN?(
???#?三級子查詢：查詢首月用戶量
???SELECT?`首付月份`,`留存量`
???FROM?cohort
???WHERE?cohort.`月份差`=0
?)?b
?on?a.`首付月份`=b.`首付月份`
?)?a
)?n
GROUP?BY?n.`首付月份`;
正如“分析方法確定”環(huán)節(jié)中提及，Excel中通過自然月去劃分月份的偏移量，而MySQL中則直接將付款時間和首單時間相減。我們使用的TIMESTAMPDIFF函數(shù)的邏輯為結束日期的DAY參數(shù)大于等于起始日期的DAY參數(shù)時，月份差才會+N。即：
起始日期為9月30日，終止日期大于等于10月30日時，月份差才不為0。 起始日期為10月31日，終止日期大于等于12月1日時，月份差才不為0。 起始日期為1月30或31日，終止日期大于等于3月1日時，月份差才不為0，平/閏年一樣。
對比可知，算法1中留存率會出現(xiàn)小幅度的回升，但在算法2則隨時間增加而遞減。由此可知，不同的計算標準對結果影響非常大，可能會造成誤判，因此數(shù)據(jù)分析中確認標準非常重要。
七、Python實現(xiàn)
作為壓軸，肯定是路子野、效率高、操作騷的Python。得益于pandas強大的分組功能及非常多的奇技淫巧，Python的實現(xiàn)相比于Excel或MySQL會更加簡單，但實現(xiàn)路徑會比較抽象，需要注入一點想象力。按慣例先盤實現(xiàn)思路：
數(shù)據(jù)清洗：刪除訂單狀態(tài)為”交易失敗“的行 拼接首單時間：計算每個用戶首單時間，并拼接為新的dataframe 求留存量：對數(shù)據(jù)分組，并求唯一的客戶昵稱數(shù) 求留存率：用首月留存量除整個留存量的dataframe
7.1 數(shù)據(jù)清洗
此步驟只需要調用drop函數(shù)即可完成刪除，難度不大，核心是找到訂單狀態(tài)為“交易失敗”的所在行的行索引。
df.drop(index=df[df['訂單狀態(tài)']?==?'交易失敗'].index,?axis=1,?inplace=True)
7.2 拼接首單時間
調用分組聚合函數(shù)groupby以及數(shù)據(jù)拼接函數(shù)merge便能完成我們的需求，都是常規(guī)操作
df_f?=?df.groupby(by='客戶昵稱')['付款時間'].min().to_frame(name='首單時間')
df_f.reset_index(inplace=True)
#?合并新的dataframe，包含客戶昵稱，付款時間，首單時間
df_f?=?df[['客戶昵稱',?'付款時間']].merge(df_f)
7.3 計算留存量
接下來就是見證騷操作的時刻了。在pandas的分組聚合當中，對時間戳進行重采樣不要太簡單，只需要修改freq參數(shù)即可。核心思路：
利用groupby函數(shù)對首單時間和付款時間進行分組，獲得復合索引的series 利用pd.Grouper對首單時間和付款時間進行重采樣 利用nunique函數(shù)求不重復值個數(shù) 利用unstack函數(shù)將復合索引的series轉為dataframe
#?通過首單時間及付款時間進行分組，獲得每個時間段的不重復客戶數(shù)量
df_f?=?df_f.groupby(by=[pd.Grouper(key='首單時間',?freq='m'),?pd.Grouper(key='付款時間',?freq='m')])['客戶昵稱'].nunique()
#?將復合索引的series轉置為dataframe
df_f?=?df_f.unstack()
獲得的結果如上圖。如果有看Excel或MySQL實現(xiàn)方式的看官可能有會有疑問，為什么python不用計算月份差而其他兩種需要。那是因為這種分組方式，首月用戶量都分布在表格的對角線上，在Excel的數(shù)據(jù)透視表或者MySQL當中，等差地移動單元格并不是一件容易的事，但對于Python來說，不過是一個for循環(huán)。
for?i?in?range(len(df_f.index)):
?df_f.iloc[i]?=?df_f.iloc[i].shift(periods=-i)
??
#?重置columns
df_f.columns?=?['本月新增',?'+1月',?'+2月',?'+3月',?'+4月',?'+5月']
shift函數(shù)常用于移動dataframe或series，具體參數(shù)如下：
axis：針對dataframe：{0:"向下移動" , 1:"向右移動"}，針對series：向下移動 periods：移動的步長，當periods為負時，向上/左移動 fill_value：補充NaN的值
得到如下結果
7.4 計算留存率
盡管pandas非常強大，但此步驟中，如通過df_f/df_f[‘首月’]計算，結果是全為NaN的dataframe。不過我們可以使用apply函數(shù)遍歷dataframe來實現(xiàn)。
df_1?=?df_f.apply(count_per,?axis=0,?args=(df_f['本月新增'],))
df_1['本月新增']=df_f['本月新增']
def?count_per(s,?dx):
????a=[f'{i}%'?if?str(i)!='nan'?else?0?for?i?in?round((s?/?dx)?*?100,?2)]
????return?a
作為pandas中最好用的函數(shù)之一，apply的詳細用法各位參考官方文檔即可，這里僅提三點注意事項：
在apply中調用的函數(shù)不需要加括號，僅提供函數(shù)名即可 向apply調用的函數(shù)傳遞變量，只需賦值給args，如果僅傳遞一個變量，要在變量后加上 “，”號 調用的函數(shù)當中第0個參數(shù)由self提供，從第一個變量開始才是args中的變量，即上面函數(shù)中，dx對應的是df_f['本月新增']
獲得結果如下，完美完成任務：
八、復盤總結
先回顧下同期群分析的重點
同期群分析指將用戶進行同期群劃分后，對比不同同期群組用戶的相同指標的分析方法 同期群分析是產(chǎn)品數(shù)據(jù)分析的核心，能細致地監(jiān)控用戶行為，衡量用戶價值 時間的劃分標準對分析結果影響很大，確定標準非常重要
最后總結下本次ESP實現(xiàn)方式中分別涉及到的重要知識點
| 工具 | 重要知識點 |
|---|---|
| Excel | - 數(shù)據(jù)透視表 - VLOOKUP函數(shù) - 時間重采樣函數(shù)：YEAR、MONTH - 時間差函數(shù)：DATEDIF - 條件函數(shù)：IF、COUNTIFS |
| MySQL | - 時間重采樣函數(shù)：YEAR、MONTH - 時間差函數(shù)：TIMESTAMPDIFF - 流程控制函數(shù)：CASE WHEN |
| Python | - 分組api：pd.Grouper() - 不重復計數(shù)：nunique() - 元素移動：shift() - apply() |
那么本次的分享到這里便結束了。至于同期群分析如何應用到實際業(yè)務問題中，我們留到下一篇商業(yè)分析實戰(zhàn)再詳細講解。（如果寫出來的話，一定不會鴿，一定不會~鴿！）
我是HeoiJin，不要期待有下篇~
我們的文章到此就結束啦，如果你喜歡今天的Python 實戰(zhàn)教程，請持續(xù)關注Python實用寶典。
有任何問題，可以在公眾號后臺回復：加群，回答相應紅字驗證信息，進入互助群詢問。
原創(chuàng)不易，希望你能在下面點個贊和在看支持我繼續(xù)創(chuàng)作，謝謝！
點擊下方閱讀原文可獲得更好的閱讀體驗
Python實用寶典?(pythondict.com)
不只是一個寶典
歡迎關注公眾號：Python實用寶典