數(shù)據(jù)分析【Python】

• 項(xiàng)目介紹
• 我的理解
• 了解數(shù)據(jù)
• • 源數(shù)據(jù)解析
  • 源數(shù)據(jù)概況
• 數(shù)據(jù)處理
• 數(shù)據(jù)分析
• • 數(shù)據(jù)展示分析
  • 影響因素分析
• 分析總結(jié)

項(xiàng)目介紹

• 數(shù)據(jù)來(lái)源：kaggle銀行營(yíng)銷(xiāo)數(shù)據(jù)
• 工具：Python、Jupyter Notebook

本項(xiàng)目采取的是kaggle銀行營(yíng)銷(xiāo)的數(shù)據(jù)源，主要是預(yù)測(cè)客戶是否會(huì)訂購(gòu)銀行的產(chǎn)品，但是，這次我將使用numpy、pandas、matplotlib數(shù)據(jù)分析三件套，基于源數(shù)據(jù)，深入分析影響銀行三大業(yè)務(wù)—存款、貸款、營(yíng)銷(xiāo)產(chǎn)品的因素，分析結(jié)果可能不是很完善， Try my best！

---

我的理解

這是第一次自己比較正式的使用Python進(jìn)行數(shù)據(jù)分析，所以在進(jìn)行數(shù)據(jù)分析之前，需要理清自己的分析思路：首先是對(duì)于這份數(shù)據(jù)的理解，確定數(shù)據(jù)分析目標(biāo)： 我到底需要分析這個(gè)數(shù)據(jù)的什么？需要得出什么樣的結(jié)論？我的答案是：想要獲得與銀行存款、貸款和營(yíng)銷(xiāo)產(chǎn)品相關(guān)的主要用戶群體及它們之間的影響因素，為下次銀行活動(dòng)提供數(shù)據(jù)支持；其次，有了目標(biāo)，我需要如何做？我主要分為3步：

了解數(shù)據(jù)：解析源數(shù)據(jù)

數(shù)據(jù)處理：去除垃圾數(shù)據(jù)及不可用數(shù)據(jù)

目標(biāo)數(shù)據(jù)分析：針對(duì)項(xiàng)目的分析目標(biāo)，進(jìn)行數(shù)據(jù)可視化，對(duì)比分析

最后，對(duì)數(shù)據(jù)分析進(jìn)行總結(jié)，給出自己的思考看法。

---

了解數(shù)據(jù)

源數(shù)據(jù)解析

首先，查看源數(shù)據(jù)，發(fā)現(xiàn)每一行的數(shù)據(jù)都使用 “;” 隔開(kāi)，表頭含義如下：

部分源數(shù)據(jù)展示：

源數(shù)據(jù)概況

導(dǎo)入需要的工具包

import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns %matplotlib inline

讀入數(shù)據(jù)

data = pd.read_csv(r"D:\Desktop\train.csv",sep=";")

展示前五條數(shù)據(jù)

data.head() agejobmaritaleducationdefaultbalancehousingloancontactdaymonthdurationcampaignpdayspreviouspoutcomey01234

58	management	married	tertiary	no	2143	yes	no	unknown	5	may	261	1	-1	0	unknown	no
44	technician	single	secondary	no	29	yes	no	unknown	5	may	151	1	-1	0	unknown	no
33	entrepreneur	married	secondary	no	2	yes	yes	unknown	5	may	76	1	-1	0	unknown	no
47	blue-collar	married	unknown	no	1506	yes	no	unknown	5	may	92	1	-1	0	unknown	no
33	unknown	single	unknown	no	1	no	no	unknown	5	may	198	1	-1	0	unknown	no

展示后五條數(shù)據(jù)

data.tail() agejobmaritaleducationdefaultbalancehousingloancontactdaymonthdurationcampaignpdayspreviouspoutcomey4520645207452084520945210

51	technician	married	tertiary	no	825	no	no	cellular	17	nov	977	3	-1	0	unknown	yes
71	retired	divorced	primary	no	1729	no	no	cellular	17	nov	456	2	-1	0	unknown	yes
72	retired	married	secondary	no	5715	no	no	cellular	17	nov	1127	5	184	3	success	yes
57	blue-collar	married	secondary	no	668	no	no	telephone	17	nov	508	4	-1	0	unknown	no
37	entrepreneur	married	secondary	no	2971	no	no	cellular	17	nov	361	2	188	11	other	no

數(shù)據(jù)信息

包括數(shù)據(jù)的index，列名、空值和非空值計(jì)數(shù)等，可以為我們后面的數(shù)據(jù)處理和數(shù)據(jù)可視化分析做好鋪墊。 data.info() <class 'pandas.core.frame.DataFrame'> RangeIndex: 45211 entries, 0 to 45210 Data columns (total 17 columns):# Column Non-Null Count Dtype --- ------ -------------- ----- 0 age 45211 non-null int64 1 job 45211 non-null object2 marital 45211 non-null object3 education 45211 non-null object4 default 45211 non-null object5 balance 45211 non-null int64 6 housing 45211 non-null object7 loan 45211 non-null object8 contact 45211 non-null object9 day 45211 non-null int64 10 month 45211 non-null object11 duration 45211 non-null int64 12 campaign 45211 non-null int64 13 pdays 45211 non-null int64 14 previous 45211 non-null int64 15 poutcome 45211 non-null object16 y 45211 non-null object dtypes: int64(7), object(10) memory usage: 5.9+ MB

數(shù)據(jù)描述

包括了一些數(shù)值類(lèi)型的數(shù)據(jù)描述，包括計(jì)數(shù)、平均值等，讓我們更好的理解源數(shù)據(jù) data.describe() agebalancedaydurationcampaignpdayspreviouscountmeanstdmin25%50%75%max

45211.000000	45211.000000	45211.000000	45211.000000	45211.000000	45211.000000	45211.000000
40.936210	1362.272058	15.806419	258.163080	2.763841	40.197828	0.580323
10.618762	3044.765829	8.322476	257.527812	3.098021	100.128746	2.303441
18.000000	-8019.000000	1.000000	0.000000	1.000000	-1.000000	0.000000
33.000000	72.000000	8.000000	103.000000	1.000000	-1.000000	0.000000
39.000000	448.000000	16.000000	180.000000	2.000000	-1.000000	0.000000
48.000000	1428.000000	21.000000	319.000000	3.000000	-1.000000	0.000000
95.000000	102127.000000	31.000000	4918.000000	63.000000	871.000000	275.000000

---

數(shù)據(jù)處理

經(jīng)過(guò)上一步的數(shù)據(jù)預(yù)覽，我們發(fā)現(xiàn)源數(shù)據(jù)并沒(méi)有出現(xiàn)空值，又為我們的工作減輕了負(fù)擔(dān)，接下來(lái)我們就對(duì)數(shù)據(jù)的重復(fù)值、異常值及一些我們不需要的數(shù)據(jù)進(jìn)行處理（其實(shí)并無(wú)其他垃圾數(shù)據(jù)）：

刪除previous、day、month三列數(shù)據(jù)

data.drop(columns=["day", "month", "previous"], inplace=True, axis=1)

查找重復(fù)值

data.duplicated().value_counts() False 45211 dtype: int64

查找異常值—年齡大于120

data[data["age"] >= 120].count()

---

數(shù)據(jù)分析

數(shù)據(jù)展示分析

訂購(gòu)銀行產(chǎn)品數(shù)據(jù)分析

可以看到，大量客戶并不愿意訂購(gòu)銀行提供的產(chǎn)品，只有11.7%的人說(shuō)可以，這種巨大的差距可以表明人們的立場(chǎng)，大多數(shù)人更喜歡第三方平臺(tái)或其他的金融產(chǎn)品（以我們?yōu)槔?#xff1a;支付寶），后面將會(huì)更加深入研究影響人們訂閱銀行產(chǎn)品的原因。

data.y.value_counts() no 39922 yes 5289 Name: y, dtype: int64 # 數(shù)據(jù)概況---人們是否愿意訂購(gòu)銀行產(chǎn)品（Target）# 畫(huà)布*2 fig, axes = plt.subplots(nrows = 1,ncols = 2,figsize = (16,6)) # 餅圖傳入?yún)?shù) y_pct = data.y.value_counts()*100/len(data) # 條形圖 plt.title("Univariate analysis of the target") sns.countplot(x = "y", data = data, order = data["y"].value_counts().index, ax = axes[0]) # 餅狀圖 axes[1].pie(x = y_pct, autopct='%1.2f%%', labels = y_pct.index, shadow = True, explode=(0.1,0)) plt.show()

客戶群體—年齡特征

從下kde分布圖中可以看出，客戶年齡峰值出現(xiàn)在30-40歲之間，這個(gè)年紀(jì)人們工作效率或者更愿意參與銀行的活動(dòng)，其次客戶主要分布在30-60歲之間，可以集中把主要用戶群體放在30-60歲的客戶

# 數(shù)據(jù)概況---年齡分布mean = data.age.mean() median = data.age.median() mode = data.age.mode().values[0]plt.figure(figsize = (10, 6)) sns.histplot(data = data, x = data.age, kde = True) plt.axvline(mean, color='r', linestyle='--', label="Mean") plt.axvline(median, color='g', linestyle='-', label="Median") plt.axvline(mode, color='#b5838d', linestyle='-', label="Mode") plt.legend() plt.show()

客戶群體—工作種類(lèi)

用戶的工作類(lèi)型和收入都會(huì)影響到人們存款、貸款及訂閱產(chǎn)品的積極性。從圖中可以看出，主要的用戶群體是藍(lán)領(lǐng)、管理者、技術(shù)人員、行政人員、和服務(wù)類(lèi)工作人員，他們占據(jù)了8成以上的數(shù)量，從工作性質(zhì)上也可以看出，他們更加需要銀行提供的產(chǎn)品幫助，用于理財(cái)?shù)取?/p> data.job.value_counts() blue-collar 9732 management 9458 technician 7597 admin. 5171 services 4154 retired 2264 self-employed 1579 entrepreneur 1487 unemployed 1303 housemaid 1240 student 938 unknown 288 Name: job, dtype: int64 # 數(shù)據(jù)概況---職位分布job_pct = data.job.value_counts()*100/len(data) fig, axes = plt.subplots(nrows = 1,ncols = 2,figsize = (20,6)) axes[0].pie(x=job_pct,autopct='%1.2f%%',labels = job_pct.index) sns.barplot(x=data.job.value_counts().values, y=data['job'].value_counts().index, palette="hls",ax = axes[1]) plt.show()

客戶群體—教育程度、個(gè)人貸款、房貸

不同教育程度的用戶，他們接受銀行營(yíng)銷(xiāo)產(chǎn)品的效果也完全不同，從圖中可以看出，用戶主要還是以中等教育為主，占比達(dá)到了50%以上，其次是高等教育的人群，將近30%。再?gòu)膫€(gè)人貸款和房貸方面來(lái)分析，沒(méi)有個(gè)人貸款的人數(shù)占大多數(shù)，可以理解，因?yàn)榫哂袀€(gè)人貸款的客戶可能沒(méi)有富于的錢(qián)用于訂閱銀行產(chǎn)品，因此，可以把主要客戶群體放在無(wú)個(gè)人貸款群體上。而房貸的有無(wú)數(shù)量相當(dāng)，因?yàn)橘I(mǎi)房也可以看做是一種特殊的投資，所以有無(wú)房貸差別不大。

data.education.value_counts() secondary 23202 tertiary 13301 primary 6851 unknown 1857 Name: education, dtype: int64 data.loan.value_counts() no 37967 yes 7244 Name: loan, dtype: int64 # 數(shù)據(jù)概況---教育程度、貸款與否edu_pct = data.education.value_counts()*100/len(data) loan_pct = data.loan.value_counts()*100/len(data) housing_pct = data.housing.value_counts()*100/len(data)fig, axes = plt.subplots(nrows = 1,ncols = 3,figsize = (16,6)) axes[0].pie(x=edu_pct,autopct='%1.2f%%',shadow = True,explode=(0.06,0,0,0),startangle=90,labels = edu_pct.index) axes[0].set_title('Job Pie Chart', fontdict={'fontsize': 14, 'color':'#41393E'}) axes[1].pie(x=loan_pct,autopct='%1.2f%%',shadow = True,explode=(0.08,0),startangle=90,labels = loan_pct.index) axes[1].set_title('Loan Pie Chart', fontdict={'fontsize': 14,'color':'#41393E'}) axes[2].pie(x=housing_pct,autopct='%1.2f%%',shadow = True,explode=(0.08,0),startangle=90,labels = housing_pct.index) axes[2].set_title('House loan Pie Chart', fontdict={'fontsize': 14,'color':'#41393E'}) plt.show()

前次活動(dòng)數(shù)據(jù)分析

從下餅圖和柱狀圖數(shù)據(jù)可以看出，絕大部分用戶在上次活動(dòng)中是unkonwn，成功的人數(shù)是最少的，間接說(shuō)明了潛在用戶群體龐大。

# 數(shù)據(jù)概況---前一次活動(dòng)結(jié)果precome_pct = data.poutcome.value_counts()*100/len(data) fig, axes = plt.subplots(nrows = 1,ncols = 2,figsize = (16,6)) sns.countplot(x = "poutcome", data = data, order = data.poutcome.value_counts().index, ax = axes[0]) axes[1].pie(x = precome_pct, autopct = '%1.1f%%',shadow = True,explode=(0.1,0,0,0),startangle=90,labels = precome_pct.index) plt.show()

年余額分析

存款也是銀行的主要業(yè)務(wù)之一，可以看到客戶主要年余額峰值在1000-2000歐元左右，還有少部分人年余額超過(guò)10000歐元以上，由此可見(jiàn)，用戶的貧富差距還是挺大的，大量財(cái)富掌握在少數(shù)人手中。還有極少部分人余額是負(fù)值，推斷應(yīng)該是信譽(yù)極差的用戶。

Q1,Q3 = np.percentile(data.balance,[25,75]) IQR = Q3 - Q1 Q1,Q3,IQR (72.0, 1428.0, 1356.0) # 數(shù)據(jù)概況---存款信息fig, axes = plt.subplots(nrows = 1,ncols = 2,figsize = (16,6)) sns.histplot(data=data, x='balance', kde=True, color='#b5838d', ax=axes[0]) sns.boxplot(x = data.balance, ax = axes[1]) plt.show()

最后通話時(shí)長(zhǎng)及活動(dòng)聯(lián)系次數(shù)分析

一般來(lái)說(shuō)，營(yíng)銷(xiāo)產(chǎn)品還是取決于銷(xiāo)售人員的推銷(xiāo)效果，為此做出kde分布圖。可以看到絕大部分用戶通話時(shí)長(zhǎng)在1000s以內(nèi)，通話次數(shù)在10次以內(nèi)，但是還存在通話時(shí)長(zhǎng)超過(guò)1小時(shí)，通話次數(shù)超過(guò)60次的情況，一般存在三種情況：尊貴的會(huì)員、難纏的用戶、老年人理解較差，可以適當(dāng)減少這部分情況的發(fā)生概率，將更多數(shù)時(shí)間花在更有潛力的用戶群體身上。

# 數(shù)據(jù)概況---通話時(shí)長(zhǎng)及活動(dòng)聯(lián)系次數(shù)fig, axes = plt.subplots(nrows = 1,ncols = 2,figsize = (16,6)) # 通話時(shí)間 mean_dura = data.duration.mean() median_dura = data.duration.median() mode_dura = data.duration.mode().values[0] # 聯(lián)系次數(shù) mean_camp = data.campaign.mean() median_camp = data.campaign.median() mode_camp = data.campaign.mode().values[0]sns.histplot(data = data, x = data.duration, kde = True, ax = axes[0]) axes[0].set_title('Duration Times', fontdict={'fontsize': 14}) axes[0].axvline(mean_dura, color='r', linestyle='--', label="Mean") axes[0].axvline(median_dura, color='g', linestyle='-', label="Median") axes[0].axvline(mode_dura, color='#b5838d', linestyle='-', label="Mode") axes[0].legend()sns.histplot(data = data, x = data.campaign, kde = True, ax = axes[1]) axes[1].set_title('Campaign Times', fontdict={'fontsize': 14}) axes[1].axvline(mean_camp, color='r', linestyle='--', label="Mean") axes[1].axvline(median_camp, color='g', linestyle='-', label="Median") axes[1].axvline(mode_camp, color='#b5838d', linestyle='-', label="Mode") axes[1].legend() plt.show()

影響因素分析

年齡與存款的聯(lián)系

不同年齡段對(duì)存款的需求不同。我做出下聯(lián)合分布圖，并指定類(lèi)型為回歸分析，我們發(fā)現(xiàn)年存款在2000歐元左右的人數(shù)最多，并且各個(gè)年齡段的都有，主要集中在30-60歲之間，60歲以上的選擇存款的人數(shù)相對(duì)較少，并且可以依稀看出置信區(qū)間應(yīng)該也是在2000-3000歐元左右。

# 存款和年齡之間的關(guān)系 sns.jointplot(x="age", y="balance", data=data,kind = "reg") plt.show()

年齡、存款、訂購(gòu)銀行產(chǎn)品意愿

我們使用聯(lián)合分布圖將訂購(gòu)產(chǎn)品意愿作為核密度圖分類(lèi)，可以看出三者之間的關(guān)系，發(fā)現(xiàn)愿意訂購(gòu)銀行產(chǎn)品的主要是30-40歲之間，存款20000歐元以內(nèi)的，其中還有存款為負(fù)數(shù)的，應(yīng)該注意他們的信用情況，避免不必要的損失；并且，絕大部分人還是不愿意訂購(gòu)銀行產(chǎn)品，應(yīng)該加強(qiáng)產(chǎn)品質(zhì)量，提高優(yōu)惠力度，收攏客戶。

# 存款和年齡是否影響人們訂購(gòu)銀行產(chǎn)品 sns.jointplot(x="age", y="balance",hue = "y",data=data) plt.show()

職業(yè)分析

不同職業(yè)對(duì)銀行業(yè)務(wù)需求不同。我們先對(duì)不同職業(yè)的存款情況進(jìn)行總體分析，然后在對(duì)其中前三個(gè)訂閱銀行產(chǎn)品的人數(shù)較多的職業(yè)進(jìn)行分析，因?yàn)槟鞘俏覀兊闹饕蛻簟?/p>

職業(yè)與存款

由于職業(yè)是分類(lèi)類(lèi)型數(shù)據(jù)，所以我們采用分類(lèi)散點(diǎn)圖進(jìn)行分析，從散點(diǎn)圖可以看出管理者、技術(shù)人員、藍(lán)領(lǐng)、退休者四個(gè)職業(yè)類(lèi)型的工作人員存款人數(shù)較多，而管理者還有存款超10萬(wàn)歐元的人數(shù)，而未知類(lèi)型的工作類(lèi)型者人數(shù)最少。

# 工作和存款的關(guān)系 plt.figure(figsize = (13,6)) sns.stripplot(x = data.job, y = data.balance) plt.show()

我們使用箱線圖將存款人數(shù)前五的工作類(lèi)型進(jìn)行展示分析，發(fā)現(xiàn)他們都有存款金額超過(guò)箱線圖上限的，但是管理者職位的人員相對(duì)較多，金額大者也更加密集，我們還發(fā)現(xiàn)了只有行政人員并沒(méi)有下限異常的數(shù)值。

plt.figure(figsize = (12,6)) top_jobs = (data.job.value_counts().sort_values(ascending=False).head(5).index.values) sns.boxplot(y="job", x="balance", data=data[data.job.isin(top_jobs)], orient="h") plt.show()

職業(yè)與銀行訂閱產(chǎn)品

我們發(fā)現(xiàn)在訂閱銀行產(chǎn)品的各個(gè)職業(yè)中，管理者、技術(shù)人員和藍(lán)領(lǐng)三種類(lèi)型的工作人員人數(shù)最多，而unknown、客房服務(wù)員和企業(yè)家三種類(lèi)型工作人員最少，下面我們將對(duì)訂閱銀行產(chǎn)品人數(shù)前三的職業(yè)進(jìn)行分析，確定我們主要用戶群體。

# 工作對(duì)訂購(gòu)銀行產(chǎn)品的影響 plt.figure(figsize = (10,6)) sns.countplot(data = data,y = data.job,hue = data.y,orient = "h",order = data.job.value_counts().index) plt.show()

職業(yè)分析—管理者

可以從下面直方圖看出，管理者婚姻狀態(tài)大部分是已婚或者單身，他們的絕大部分是接受過(guò)高等教育的人群，并且在訂購(gòu)銀行產(chǎn)品的管理者人群中，他們集中分布在20-60歲之間，其中30-40歲分布最密集，因此下次活動(dòng)推廣時(shí)，可以優(yōu)先尋找接受過(guò)高等教育的單身或者已婚，年齡在30-40歲的管理者，他們更有可能會(huì)訂購(gòu)我們的產(chǎn)品。

# 分析職業(yè)---管理員 manage = data[(data["job"] == "management")] manage_yes = manage[(manage["y"] == "yes")] fig, axes = plt.subplots(nrows = 1,ncols = 2,figsize = (16,6)) sns.histplot(manage_yes["marital"],ax = axes[0]) sns.histplot(manage_yes["education"],ax = axes[1]) plt.show()sns.jointplot(x = "age", y = "balance",hue = "y",data = manage_yes) plt.show()

職業(yè)分析—技術(shù)人員

從下面的聯(lián)合分布圖和直方圖可以看出，技術(shù)人員職業(yè)類(lèi)型與管理者特征相似，大多都是已婚或者單身狀態(tài)，訂購(gòu)銀行產(chǎn)品的人群集中分布在20-60歲之間，其中30-40歲人群最為集中，不同的是，技術(shù)人員更多的學(xué)歷是中等教育，其次是高等教育，他們接觸到的社會(huì)層次可能沒(méi)有那么高，也是銀行營(yíng)銷(xiāo)策略的主要群體之一。

# 分析職業(yè)---技術(shù)人員 tech = data[(data["job"] == "technician")] tech_yes = tech[(tech["y"] == "yes")] fig, axes = plt.subplots(nrows = 1,ncols = 2,figsize = (16,6)) sns.histplot(tech_yes["marital"],ax = axes[0]) sns.histplot(tech_yes["education"],ax = axes[1]) plt.show()sns.jointplot(x = "age", y = "balance",hue = "y",data = tech_yes) plt.show()

職業(yè)分析 —藍(lán)領(lǐng)

藍(lán)領(lǐng)職業(yè)特征與上面兩者相似，但教育也有很大一部分是初等教育階段，年齡分布相對(duì)來(lái)說(shuō)比較松散，沒(méi)有管理者和技術(shù)人員職業(yè)那么集中。

# 分析職業(yè)---藍(lán)領(lǐng) bc = data[(data["job"] == "blue-collar")] bc_yes = bc[(bc["y"] == "yes")] fig, axes = plt.subplots(nrows = 1,ncols = 2,figsize = (16,6)) sns.histplot(bc_yes["marital"],ax = axes[0]) sns.histplot(bc_yes["education"],ax = axes[1]) plt.show()sns.jointplot(x = "age", y = "balance",hue = "y",data = bc_yes) plt.show()

教育水平、存款及訂購(gòu)銀行產(chǎn)品

無(wú)論是存款、貸款還是訂閱產(chǎn)品，跟一個(gè)人接收的教育程度都息息相關(guān)，所以我們分別使用散點(diǎn)圖和聯(lián)合分布圖對(duì)人群教育程度進(jìn)行分析。

散點(diǎn)圖

可以看到接受過(guò)高等教育和中等教育的人群，無(wú)論在存款金額還是在訂閱銀行產(chǎn)品都有巨大的優(yōu)勢(shì)，但值得注意的是，unknown訂閱產(chǎn)品的人數(shù)也比較多，需要跟進(jìn)他們的信息，提供更好的服務(wù)，留下潛在客戶。

# 教育水平和存款及訂購(gòu)銀行產(chǎn)品的關(guān)系 plt.figure(figsize = (10,6)) sns.stripplot(x = data.education, y = data.balance, hue = data.y) plt.show()

聯(lián)合分布圖

我們以接收的教育程度作為分類(lèi)，具體的分析出他們所處的年齡段和存款多少，可以發(fā)現(xiàn)，絕大部分人的學(xué)歷都是中等教育和高等教育，其中接收中等教育的人群是最多的，他們的年齡段都集中在20-60歲左右，頂峰在30-40歲之間，存款一般在20000歐元以下。

# 存款、教育和年齡三者的關(guān)系 sns.jointplot(x = "age", y = "balance", hue = "education", data = data) plt.show()

房子貸款、存款和訂購(gòu)銀行產(chǎn)品

我們探索房貸會(huì)不會(huì)也是影響銀行主要業(yè)務(wù)的因素之一。可以發(fā)現(xiàn)有無(wú)房貸與銀行存款和訂閱產(chǎn)品并無(wú)太大關(guān)系，他們的數(shù)量占比相當(dāng)。

# 房子貸款和存款及訂購(gòu)銀行產(chǎn)品的關(guān)系 sns.stripplot(x = data.housing, y = data.balance, hue = data.y) plt.show()

sns.jointplot(x = "age", y = "balance",hue = "housing",data = data) plt.show()

個(gè)人貸款

一個(gè)人經(jīng)濟(jì)狀況也會(huì)影響他們對(duì)銀行業(yè)務(wù)的支持程度。我們可以發(fā)現(xiàn)沒(méi)有個(gè)人貸款的人群他們更愿意訂購(gòu)銀行產(chǎn)品，并且存款相對(duì)來(lái)說(shuō)更多，所以可以把主要關(guān)注對(duì)象放在沒(méi)有個(gè)人貸款的人群上

# 個(gè)人貸款 sns.stripplot(x = "loan", y = "balance", hue = "y",data = data) sns.jointplot(x ="age" , y = "balance",hue = "loan",data = data) plt.show()

最后聯(lián)系日距今時(shí)長(zhǎng)和通話時(shí)長(zhǎng)

推銷(xiāo)手段和服務(wù)態(tài)度也有可能會(huì)影響客戶的決定。可以看到最后聯(lián)系日距今天數(shù)對(duì)于客戶的影響不大，而通話時(shí)間在1000s左右，客戶更加愿意訂閱銀行產(chǎn)品，所以應(yīng)該注意通話時(shí)間，既要保證向客戶介紹完全，時(shí)間又不能太長(zhǎng)，1000s左右最佳。

# 上次聯(lián)系時(shí)間 sns.jointplot(x = "pdays", y = "balance",hue = "y",data = data) sns.jointplot(x="duration", y="balance", hue = "y", data=data) plt.show()

多個(gè)數(shù)字變量分布關(guān)系

# 數(shù)字類(lèi)型分析 sns.pairplot(data = data[["age", "balance", "duration", "campaign", "y"]], hue = 'y') plt.show()

---

分析總結(jié)

經(jīng)過(guò)上述分析，為了加強(qiáng)客戶群體對(duì)銀行的業(yè)務(wù)的支持力度，增加客戶訂閱銀行相關(guān)產(chǎn)品的概率，他們應(yīng)該具備以下一些特征：

首先應(yīng)該選擇管理者、技術(shù)人員、藍(lán)領(lǐng)、行政人員這幾類(lèi)職業(yè)的工作人員，他們更有可能加入銀行業(yè)務(wù)

其次，應(yīng)該在這些職業(yè)中重點(diǎn)關(guān)注高等教育和中等教育的人群

第三，他們的婚姻狀態(tài)應(yīng)該是已婚或者未婚，這兩個(gè)婚姻狀態(tài)在訂購(gòu)銀行業(yè)務(wù)占比最高

他們的年齡主要分布在20-60歲，分布最密集的是30-40歲的區(qū)間

他們最好沒(méi)有個(gè)人貸款，至于房貸，那是無(wú)所謂的，因?yàn)橘I(mǎi)房也類(lèi)似一種投資

營(yíng)銷(xiāo)活動(dòng)的通話時(shí)間最好控制在1000s之內(nèi)

總結(jié)

以上是生活随笔為你收集整理的银行营销数据分析---Python(numpy、pandas、matplotlib)的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。