如何理解R语言数据分析中的Cohort存留分析

这篇文章给大家介绍如何理解R语言数据分析中的Cohort存留分析，内容非常详细，感兴趣的小伙伴们可以参考借鉴，希望对大家能有所帮助。

相信经常做数据分析的同学都听说过Cohort 分析，特别是互联网运营中，用于分析客户存留等场景，以往这种分析大都借助SQL+Excel完成。

最近在尝试学习 Cohort 用户存留分析时，找到了国外一个数据分析爱好者Cohort 存留分析的Python版本完整代码，并且很良心到的提供了练习数据，作为一个R比Python要熟练的菜鸟分析师，自然是首先想到如何把这个代码翻译成R版本。

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

终于功夫不顾有心人，忙活了一天用R语言代码还原了这个Cohort分析的R语言版本，这里分享给大家，代码不佳之处，敬请见谅，只是一个demo，还没有做封装。

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

1、数据导入：

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

2、数据清洗：

存留分析使用到的字段只有购买日期、用户ID等信息，分析月度存留，需要将日期规范化成年月形式，同时按照客户id分组，计算出用户首次购买的日期，代码如下：

2.1 创建购买月份字段

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

2.2 创建用户首次购买字段

CohortGroup = df %>% group_by(UserId) %>% 
              summarize( CohortGroup = min(OrderDate)) 
              #计算用户首购日期

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

df <- df %>% left_join(CohortGroup,by = 'UserId')  
#将首购日期与原始订单表合并对齐

2.3 分组（按照首购日期、购买日期）计算总用户数、总订单数、总支付金额（用户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 按照用户ID分组并根据购买日期月份添加顺序标签

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

3、计算当月购买新用户数

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

user_retention <- chorts %>% 
             select(CohortGroup,CohortPeriod,TotalUsers) %>% 
             spread(CohortGroup,TotalUsers) 
             #长表转换为宽表#将具体用户数换算为占基准月份比率

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

宽表转为长表

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

4、存留曲线

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

最终的存留热力图数据源：

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、存留分析热力图：

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产品Chort留存分析",subtitle="XXX产品在2019年1月至2010年三月中间的留存率趋势")+
  theme(
    text = element_text(family = 'myfont',size = 15),
    rect = element_blank()
    )
showtext_end()
dev.off()

存留分析是互联网数据分析和运用中经常会用到分析工具，本节的R代码是源于篇首Python代码的思路，大家可以对比两者的优劣，作为今后分析使用的参考资料。

关于如何理解R语言数据分析中的Cohort存留分析就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。