背景：
该数据集为某电商的用户信息及商家信息的一份数据，以此为基础对用户年龄，用户的平台年龄（注册至今的时间），消费频率，以及各个产品类别的用户消费占比等信息进行用户画像研究。
一、认识数据
数据集大小为183828条，共19个属性信息
'客户编码', '产品编码', '行为时间', '行为类别', '年龄分段', '性别', '客户注册日期', '会员级别',
'会员城市级别', '产品品牌', '店铺编码', '产品类别', '产品上市日期', '商家编码', '粉丝数', '会员数', '开店时间', '店铺主营', '店铺打分',
年龄已经做了分段处理，性别中包含M,N,U，其中U为未知
数据比较干净，在这里不再进行清洗。
查看一下数据的详细信息
二、对性别属性进行分析
查看性别字段的分布情况，男性数量为120077，女性为63278，未知的是473，男性占据了比较大的占比
我们使用pyecharts对数据进行可视化（pyecharts的交互性很强）
三、对整个数据中的年龄段进行分析
在年龄的第5/6段的用户数量较多，这两个段位代表了成年、中年的客户，符合我们的现实情况，毕竟中小学生的主要任务还是学习，花钱的事还是要承认来做。
四、添加一个新的字段，用户平台年龄，看一下我们的顾客关注我们的时长，我们以2019年6月1日作为参考，计算年龄
查看一下年龄的分布，横轴是以‘天’为单位
可以看出，我们的用户在0-5年居多，我们再按照性别分组查看数据的分布情况
通过箱型图我们可以得出以下结论
1.男性用户的分布比较平均，但是在6年以上的客户就比较分散，参差不齐
2.女性用户中，中位数在500左右，数据主要集中在0-3年，用户相对男性数据来说较为‘年轻’。未知用户由于数据量较小，在这里不做过多讨论。
五、按照产品类型统计男女用户占比
我们按照销量前6名的产品统计男女用户占比
在手机、茶叶、笔记本电脑、相机等产品中，男性用户都是远远高于女性用户，由于我们的数据中男性与女性用户比例为2:1，可以推断出，该公司产品的用户以男性为主。
六、用户消费频率
用户的消费频率集中在频率较低的阶段，我们为用户打上标签，3次以上为高频用户
七、查看不同品牌的消费品率分布
八、查看不同消费频率的用户都在消费哪些产品
a)低频用户
低频用户以手机、外套、茶叶为主
b)中高频用户，由于中高频用户相对于低频用户来说数量较小，因此我们合并起来查看他们的消费产品分布
中高频用户消费的主要产品相比于低频用户相差无几，但是手机、外套、茶叶占据的总体比重相对于低频用户还是要高出许多
九、按照用户的消费品类为其打上标签
在这里，我们对每一位顾客进行分组，按照他的历史消费记录中，计算他的消费品类记录最多的一类作为他的标签，方便在后续的推荐系统中作为参考。
结论：
1.该公司的客户中的消费频率较低的客户占据着较高的地位；该公司的客户多为男性，在推广产品过程中，可以以男性为主，或者增加对女性的推广，提升男女比例，保持相对平衡。
2.客户的消费品类最多的为手机、外套、以及茶叶。对于新用户，在无历史记录的情况下，可以通过这三类产品向用户推送，同时可以参考‘销量前6名的产品统计男女用户占比’的分布情况进行推送。
3.客户的平台年龄（客户的注册日期距今的时间），男性在0-5年居多，女性0-3年居多，相对男性较为‘年轻’。在策略上应该注重客户留存率，通过礼品、促销等方式提升客户忠诚度。
4.客户中低频消费用户占比较高，需要采取一定的推广策略提高中高频用户的占比。
