数据： https://tianchi.aliyun.com/dataset/dataDetail?dataId=46
查看数据集缺失值情况：
变量time和user_geohash都包含缺失值，其中time包含1个缺失值，user_geohash包含550130个缺失值。
因为user_geohash地理信息在数据收集过程中做过加密转换，所以选择不对缺失值进行处理。
将time列分裂为date和hour列，并转换数据类型：
PV(访问量)：即Page View，指网站页面的浏览量或点击量，页面被刷新一次就计算一次。
UV(独立访客)：即Unique Visitor，访问网站的一台电脑客户端为一个访客。
1）日访问量分析
2）日访客分析
结果如图所示，pv和uv访问量在双十二期间达到峰值。使用最高uv除以总人数，可得出双十二期间淘宝用户的日活跃率最高为67.5%。
3）小时访问量分析
1、2、3、4分别代表点击、收藏、加购物车和支付。从上图中可以看到点击的次数远高于其他三种行为，以至于其他三种行为的趋势看不出来，所以下图中去掉了行为1的曲线。
从整体上看，四种行为的波动情况基本一致，并且在晚上7点-10点间pv访问量最高。
同时，从下图中也可以看到，行为3（加购物车）的pv总量高于行为2（收藏），行为2又高于行为4（支付）。
1）活跃用户每天购买次数情况分析
淘宝用户消费次数普通在10次以下，因此需要重点关注消费次数在10次以上的用户。
2）活跃用户每天人均消费次数
每天消费总次数 / 每天消费总人数
可以看到每天的平均消费次数一般都在1.2次左右，双十二期间达到最高值，约为1.4。
3）付费率
每日消费总人数 / 每日总活跃人数（每日有操作行为的人数）
用户付费率在6%左右，平均低于6%，双十二期间超过16%。
4）同一时间段用户消费次数分布
大多数用户消费次数为1次，平均消费次数为2.359，75%用户消费次数在3次以下。
复购率 = 有复购行为的用户数 / 有购买行为的用户总数
复购：两天以上有购买行为，但一天内购买两次或以上只算一次购买行为
将数据按日期排序，可以看到数据集的时间跨度为从2014-11-18到2014-12-18之间，正好一个月的时间：
先按date和user_id去重，然后按user_id计数，大于1时即为复购行为：
一个月之内的复购率为46.7%，多数用户在一个月内的购买次数为1-5次。
反映用户行为状态从起点（点击）到终点（支付）各阶段的转化率情况。
将数据按商品（item_category）和用户行为分组，然后计算各行为的次数。
用户点击后，大约有4.013%的概率会加入购物车，而加入购物车后大约有35.135%的概率会支付。
一、分析需求
1.对共享单车满意度评分数据进行清洗，去除空缺值等
2.对用户满意度分数的整体情况进行分析
3.对于收押金这一举措，用AB测试思路来检测收押金是否会影响用户满意度
二、数据情况（实验数据）
北京四个城区调研客户对共享单车的满意程度，并分为了对照组和实验组，分别对收押金前后的满意程度进行了统计
三、分析过程
1. 清洗数据填补空值
对数据进行整理清理，其中分数有些许空缺值，填补缺失值采用的统计量是去除空值后的分数的平均值，填补缺失值大小是5.458333，实现语句：
setwd("C:/Users/emera/Desktop/共享单车评分数据")
R_homework <-
read.csv("共享单车评分数据.csv",fileEncoding ="UTF-8-BOM")
#查看数据整体情况
str(R_homework)
#查看是否有空值
is.na(R_homework$城区)
is.na(R_homework$分数)
is.na(R_homework$组别)
is.na(R_homework$推荐者)
is.na(R_homework$年龄)
#填充空值
alternative_value<-
mean(R_homework$分数,na.rm = TRUE)
R_homework[is.na(R_homework$分数), "分数"] <-alternative_value
is.na(R_homework$分数)
2. 对分数整体显现情况进行初步分析
从直方图中可以看出，朝阳区和东城区给出8分的用户最多，西城区给出7分的用户最多。海淀区分数两级分化情况比较严重，给最多的分数是9分和3分，同时高分（分数7分以上）数量比其他区域高，但低分（3分以下）的数量也很高。
从箱型图中我们可以进一步看出，朝阳区、东城区、西城区用户的平均分相近，海淀区平均分最高，但是海淀区的分数也是最分散的。从小提琴图中，我们可以看到西城区高分面积最大，低分面积最小，海淀区呈现两极分化的葫芦形，东城区各分数段数量分布比较均匀，朝阳区数据离散度较小。
实现语句：
#直方图
library(ggplot2)
a <-
ggplot(R_homework,aes(分数))
a +geom_histogram(binwidth = 1)
facet_wrap(~城区,nrow=2,ncol=2)+
#箱型图
b <-
ggplot(R_homework,aes(城区,分数))
b + geom_boxplot()
#小提琴图
c <-
ggplot(R_homework,aes(城区,分数))
c +geom_violin(draw_quantiles = c(0.25,0.5,0.75))
3. 各个城区用户给分和年龄关系分析
我们对散点图进行线性拟合。从图中可以看出，各个区域的样本取样较为随机，不存在某一年龄段取样集中的不合理现象。对图形进行观察，发现拟合程度都近似，各个区域打分均表现出和年龄的正相关性。其中朝阳区和东城区的拟合情况最为集中，海淀区和西城区的拟合函数更为陡峭（斜率更高）。有趣的是，各个区域25-30岁的用户打分都在拟合函数之上，25岁以下和30岁以上大多在拟合函数之下。也就是说如果我们用拟合函数最各年龄段的满意度预估，25-30岁区间的满意度更有可能高于预估值，25岁以下和30岁以上区间的满意度更有可能低于预估值。
实现语句：
#散点图拟合年龄和分数关系
g <-
ggplot(R_homework,aes(年龄,分数))
g + geom_point(alpha =0.25)+
geom_smooth(method='lm',col='red')+
theme_bw(base_family= "Avenir",base_size = 15)+
facet_wrap(~城区,nrow=2,ncol=2)+
labs(x='年龄(age)')+
labs(y='分数(score)')+
labs(title='用户满意度调查（分数与年龄关系）')
4. 对“收押金”措施是否对西城区用户满意分有显著影响设计A/B测试
1.原假设H0，发红包对提升用户满意分没有影响，即未发红包对照组满意分均值X1=发红包实验组满意分均值X2
备选假设H1，发红包可对用户满意分有显著影响，即未发红包对照组满意分均值X1=！发红包实验组满意分均值X2
因为假设是问是否有显著影响，好的影响和不好的影响都包含在此假设内，因此采用双侧检测。
2.使用函数t.test()计算P值。
实现方式：
Ttestdata <-read.csv("Ttestdata.csv")
scoreA <-
Ttestdata[Ttestdata$"组别"=="对照组"&Ttestdata$"城区"=="西城区", "分数"]
scoreB <-
Ttestdata[Ttestdata$"组别"=="实验组"&Ttestdata$"城区"=="西城区", "分数"]
#进行T检测
t.test(scoreA,scoreB,alternative= ("two.sided"),conf.level = 0.95)
计算结果：
data: scoreA and scoreB
t = 0.2778, df = 20.926,p-value = 0.7839
alternative hypothesis:true difference in means is not equal to 0
95 percent confidenceinterval:
-2.079380 2.720406
sample estimates:
mean of x mean of y
5.153846 4.833333
3.按照显著性水平α=0.05看，P值0.78大于0.05，所以原假设H0成立，不能证明收押金对用户满意分有显著影响
《R语言4.0.4软件》百度网盘资源免费下载:
链接: https://pan.baidu.com/s/160twe4ScMvIbGm2TI_sjHw
?pwd=3ts7 提取码: 3ts7R语言4.0.4是一款专业的统计建模软件，与其它建模软件不同的是这款软件完全免费、开源，所以深受大家的青睐。R软件拥有数据存储和处理系统；数组运算工具（其向量、矩阵运算方面功能尤其强大）；完整连贯的统计分析工具；优秀的统计制图等多种功能，主要用于统计分析、绘图、数据挖掘。标准的安装文件身自身就带有许多模块和内嵌统计函数，安装好后可以直接实现许多常用的统计功能。
