用Excel、SQL、Python做数据分析有何不同？

作者简介HeoiJin：立志透过数据看清世界的产品策划，专注爬虫、数据分析、产品策划领域。万物皆营销 | 资本永不眠 | 数据恒真理CSDN：https://me.csdn.net/weixin_40679090一、前言后互联网时代，获客拉新的成本越来越高，如何增加客户的留存，提高客户的复购次数、购买金额等变得十分重要，同期群分析便是当中非常重要的分析方法。关于同期群分析概念和思路的文章很多，但分享如何实现的文章非常罕见。因此，本文将简单介绍同期群分析的概念，并用数据分析师的三板斧ESP（Excel、MySQL、Python）分别实现同期群分析。二、项目准备Excel：office或wps均可，office 2013后的版本更好MySQL：版本：8.0（本次不涉及窗口函数，其他版本亦可）NavicatPython：版本：3.7IDE：pycharm库：pandas、xlrtPS.因篇幅原因，可能会有未能详细讲解的过程完整源码及数据集请移步至文末获取三、同期群分析概念讲解数据分析最终目标都是为了解决业务问题，任何分析方法都只是工具。因此在详细讲解如何实现之前，需要先明晰方法的含义是什么，能带来什么收益，才能在合适的问题上选对分析方法。3.1 同期群分析含义同期群(Cohort)即相同时间内具有相似或特定属性 、行为的群体。核心要素为时间+特定属性，比如把00后出生的人划分为一个群组。同期群分析指将用户进行同期群划分后，对比不同同期群用户的相同指标。我们耳熟能详的留存率就是同期群分析的其中一种，案例如下图：

同期群分析包含了3个重要元素：客户首次行为时间，这是我们划分同期群的依据时间维度，即上图中+N月或者N日留存率中的N日指标，注册转化率、付款转化率、留存率等等3.2 意义同期群分析给到更加细致的衡量指标，帮助我们实时监控真实的用户行为、衡量用户价值，并为营销方案的优化和改进提供支撑：横向比较：观察同一同期群在不同生命周期下的行为变化，推测相似群体的行为随时间的变化纵向比较：观察不同的同期群在同一个生命周期下的行为变化，验证业务行为是否取得预期效果四、材料梳理4.1 数据情况梳理拿到数据的第一步，自然是了解数据的情况。针对本次同期群分析，我们可能需要用到的字段有：客户昵称付款时间：时间戳形式订单状态：交易失败/交易成功支付金额购买数量

通过进一步计算，发现付款时间中缺失值所在行的订单状态均为“交易失败”，那么下文分析都需要将订单状态为“交易失败”的行全部剔除。4.2 分析方法确定针对此份数据，有3个分析方向可以选择：留存率或付款率人均付款金额人均购买次数我们选择其中最经典，也是数分面试中最常考的留存率作为例子，需要用到的字段有：客户昵称付款时间订单状态相信各位对留存率都十分熟悉，不过多介绍。在本次的分析中，留存率的具体计算方式为：+N月留存率=（+N月付款用户数/首月付款用户数）*100%注意：公式中的+N月存在歧义，会有两种计算方法：以自然月作为月份偏移的依据：即所有首次行为在9月的用户，只要10月有付款行为，都计算进+1月留存以每30天作为月份偏移的依据：即9月30日首次付款的用户，在10月30日-11月29日之间有付款行为，才计算进+1月留存具体的差距会在Excel（用算法1）和MySQL（用算法2）两种工具实现的结果中分别展示。没有相关技术背景的看官老爷可直接对比最终的留存率结果。五、Excel实现Excel的实现方式是三个当中门槛最低的，只需要掌握数据透视表和一些基础函数，但过程相对繁杂。实现思路如下：

实现思路一共分为4大部分：数据清洗 -> 计算首单时间 -> 计算首单时间与付款时间差 -> 利用透视表计算同期群留存量和留存率。其中由于部分版本的office和wps的数据透视表不支持非重复计数，因此需要先计算各月中各用户出现的次数。数据清洗部分只需要筛选+删除便可完成，相信如此简单的操作难不倒各位看官老爷们，那么我们便从第二部分开始详细讲解。5.1 计算每个客户首单时间首先通过数据透视表求每一个用户首次付款时间。数据透视表，说白了就是通过特定的条件进行分组，并对数据进行求和、求均值、求方差等聚合操作。在制作数据透视表时要注意以下几点：数据区域的第一行为标题栏（字段名称）标题栏不能出现空单元格，亦不要出现重复的标题名数据中避免有合并单元格不能出现非法日期5.1.1 创建透视表全选数据 -> 插入 -> 数据透视表 -> 确定

5.1.2 选择分组字段和值字段将“客户昵称”拖进“行”，将付款时间拖进“值”，并将值字段设置中的汇总方式设置为最小值

这里最小付款时间显示为10位的时间戳，只要调整显示格式便可转为我们常见的xx年xx月xx日。5.1.3 将首单时间拼接到每个用户所在行此步骤需要使用到vlookup函数进行匹配。VLOOKUP函数是一个纵向查找的函数，包含4个参数，具体语法为=VLOOKUP（查找的依据，查找的区域，返回的值在查找区域中的列号，是否近似匹配）注意：查找的位置如果要保持不变，要使用A:B或者1:15的形式锁定匹配区域参数[ 查找的位置 ]中，“!”号前为表的名称列号的计数是从1开始，且第一列必须是与查找依据对应的列近似匹配参数中，0为否（即必须与查找依据一模一样才匹配），1为是（即依据为“同期”时，可以匹配出“同期”、“同期群”或者“同期群分析”）=VLOOKUP(A2,首付时间透视表!A:B,2,0)

利用VLOOKUP拼接之后，首单时间同样显示为10位的时间戳，设置单元格格式后即可显示为上图的形式。5.2 计算时间差5.2.1 对付款时间和首单时间进行降采样如按算法2进行计算，可直接省略此步骤。可能有看官老爷对重采样的概念并不是很清楚，简单说下：将时间序列从一个频率转化为另外一个频率的过程即重采样常见的时间频率由低到高依次为：年 -> 月 -> 日 -> 时 -> 分 -> 秒将高频率转为低频率为降采样，将低频率转为高频率为升采样在Excel当中可以使用分列或者时间相关函数（YEAR、MONTH、DAY等）方式来获取到对应的时间频率。我们使用YEAR和MONTH来对时间进行降采样，注意与字符串连接一定要用“&”号。=YEAR(B2)&'/'&MONTH(B2)

5.2.2 计算时间差此步骤中需要用到DATEDIF函数，此公式常用于计算两个日期之间的天数、月份、年数差，语法为：=DATEDIF（起始时间，结束时间，时间频率），常用的时间频率参数有['Y','M','D']，分别对应年月日=DATEDIF(E2,D2,'M')

5.2.3 重置月份差标签修改透视表的标签并不方便，因此先重置月份差标签，需要用到一个IF函数便可。具体语法：=IF（条件，符合条件时的操作，不符合条件时的操作）=IF(F2=0,'首月','+'&F2&'月')

5.3 计算同期留存量和留存率如果是office 2013及之后的版本，以上的数据已经足够我们进行留存量的计算，可以直接跳过计算用户出现次数环节。5.3.1 计算每月中每个用户出现的次数这里利用COUNTIFS函数，计算出“用户昵称”和“付款时间（重采样）”均相同的次数，并取其倒数，让当月无论该用户出现多少次，最终都只会计算为一次。即假设用户当月付款5次，倒数后权重变为1/5，求和后出现次数为1。COUNTIFS的语法为：=COUNTIFS（区域A，条件A，区域B，条件B，....）=COUNTIFS(A:A,A:A,D:D,D:D,E:E,E:E)=1/H2

5.3.2 创建留存量数据透视表针对wps及office2013以前的版本，我们已经计算了出现次数的倒数，只需要仿照前文“计算每个用户首单时间”的步骤创建数据透视表，以“首单时间重采样”作为行，以“月份差标签”作为列，以“出现次数（倒数）”作为值，并修改值字段设置中的计算类型为求和即可。而office 2013及之后的版本，我们在插入数据透视表时，需要注意勾选“将此数据添加到数据模型”

数据透视表同样以“首单时间重采样”作为行，以“月份差标签”作为列，但不同的是，我们可以直接以“客户昵称”作为值，并在值字段设置当中，将计算类型设置为“非重复计数”。

到此，我们留存量的透视图便完成了，但格式看上去还是有点丑，我们手动拖动下行、列标签的排序，最终获得如下效果：

5.3.3 计算留存率在值字段显示方式当中并没有找到我们想要的效果，因此我们在数据透视表下方选定一个区域，复制好行标签和列标签。通过公式“=C5/$B5”计算出留存率，并向右向下拖动公式便可完成注：B5为2019年9月的首月留存量，C5为2019年9月的+1月留存量分母需要将B列锁定，否则在向右拖动公式时，分母会依次变为D5、E5

完美符合我们预期的结果！Excel版本的实现就到这里便完成，接下来是门槛稍微高一亿点点的MySQL实现。六、MySQL实现MySQL的实现路径与Excel的实现路径非常相近，具体步骤为：导入数据清洗数据：筛选订单状态为“交易成功”的行获取首单时间求月份偏移：求出月份差，并对首付时间降采样计算留存量：通过首付时间和月份差进行分组，求唯一的用户id数求留存率6.1 导入数据目前的数据的保存格式为xlsx，我们需要先将数据导入到数据库当中才能执行查询。第一步选择一个库，右键选择导入向导。

第二步选择导入类型，我们直接选择Excel文件即可。

第三步为选择数据源的路径，我们找到对应的数据后，勾选需要导入的表。

完成前文的操作之后便可以点击“>>”跳转至最后的步骤，当然中间还有几个调整数据的步骤，但此次数据十分工整，不需要进行额外操作。到达下图的界面，我们按照指引直接点击“开始”即可，如导入成功，会在日志栏中显示Finished successfully，如下图所示。

6.2 数据清洗照旧先筛选出订单状态为交易成功的行，并提取用户昵称、付款时间两个字段。这里我们稍微修改了列名，把`用户昵称`修改成`c_id`，`付款时间`修改为`paytime`，`交易状态`修改成了`status`。我们后续的查询都是基于筛选后的数据，因此这里新建一个表sheet2去存储查询结果。-- 步骤一：筛选订单状态为”交易成功“的行，并输出表sheet2：用户昵称[c_id]、付款时间[paytime]CREATE table sheet2 asSELECT c_id,paytimeFROM sheet1WHERE `status`='交易成功';6.3 计算首单时间此步骤只需要对用户昵称进行groupby，再求最小值即可，不多赘述。-- 步骤二：找出每个用户的首单时间SELECT c_id,min(paytime) f_timeFROM sheet2GROUP BY c_id;6.4 计算月份差，重采样首付时间此步骤中会涉及到两个重要的函数：与Excel类似，MySQL对时间戳重采样也是用YEAR()、MONTH()等函数用于计算日期差的TIMESTAMPDIFF，具体语法为TIMESTAMPDIFF(频率，起始时间，结束时间)当然在计算月份差之前，需要以用户名称作为依据，拼接用户的首单时间。但由于数据量较大，拼接需要重复遍历整个表很多遍，耗时很长。而当前查询的结果并不是最终结果，我们只需要确保查询语句没有问题即可。因此我们引入分页查询（LIMIT语句）来限制查询结果的行数，从而提高查询效率。-- 步骤三：求出月份差，对首付时间进行重采样SELECTa.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_mFROM sheet2 aLEFT JOIN (SELECT c_id,min(paytime) f_timeFROM sheet2GROUP BY c_id--  LIMIT测试时用，为了提升效率LIMIT 0,7000) b on a.c_id=b.c_id-- 同样是为了提升效率而使用WHERE b.f_time is NOT NULL;6.5 计算留存量我们只需要将前面的三个步骤作为子查询，并以`首单时间`以及`月份差`作为条件对数据进行分组，用DISTINCT筛选出唯一的`用户ID`即可求出我们所需的留存量。这里创建一个名为cohort的表储存查询结果。-- 步骤四：通过首付时间和月份差进行分组，求出唯一的用户id数,并输出为表[cohort]CREATE table cohort asSELECT c.y_m '首付月份',c.m_diff'月份差',COUNT(DISTINCT c.c_id) '留存量'FROM (SELECTa.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_mfrom sheet2 aLEFT JOIN (SELECT c_id,min(paytime) f_timeFROM sheet2GROUP BY c_id) b on a.c_id=b.c_id-- 为了提升效率而使用WHERE b.f_time is NOT NULL) cGROUP BY c.y_m,c.m_diff;查询结果如下。相比于步骤三，我们这里删除了用于分页查询的LIMIT语句，但依然保留了WHERE b.f_time is NOT NULL。这里的where语句并没有筛选任何一行，但有无这一句的查询效率相差非常大，分别为0.739s和125.649s。这里涉及到SQL优化的问题，有机会以后专门整理一篇文章分享给各位。

6.6 计算留存率我们有了留存量的表格，计算留存率便非常容易，只要让每一期的留存率都除以首月的留存率即可。-- 步骤五：计算留存率（基础版）SELECT c.`首付月份`,CONCAT(ROUND((c.`留存量`/m.`留存量`)*100,2),'%') 留存率FROM cohort cLEFT JOIN (SELECT 首付月份,留存量FROM cohortwhere `月份差`=0) mon c.`首付月份`=m.`首付月份`;

留存率结果如上图，但结果并不利于观察和分析，因此接下来的进阶版将通过case when语句，加入亿点细节来优化下展示格式。-- 步骤五：计算留存率（进阶版）SELECTn.`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(# 一级子查询：转置表格，将月份差作为列名SELECTa.`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(# 二级子查询：计算留存率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 aLEFT JOIN (# 三级子查询：查询首月用户量SELECT `首付月份`,`留存量`FROM cohortWHERE cohort.`月份差`=0) bon a.`首付月份`=b.`首付月份`) a) nGROUP BY n.`首付月份`;

正如“分析方法确定”环节中提及，Excel中通过自然月去划分月份的偏移量，而MySQL中则直接将付款时间和首单时间相减。我们使用的TIMESTAMPDIFF函数的逻辑为结束日期的DAY参数大于等于起始日期的DAY参数时，月份差才会+N。即：起始日期为9月30日，终止日期大于等于10月30日时，月份差才不为0。起始日期为10月31日，终止日期大于等于12月1日时，月份差才不为0。起始日期为1月30或31日，终止日期大于等于3月1日时，月份差才不为0，平/闰年一样。对比可知，算法1中留存率会出现小幅度的回升，但在算法2则随时间增加而递减。由此可知，不同的计算标准对结果影响非常大，可能会造成误判，因此数据分析中确认标准非常重要。七、Python实现作为压轴，肯定是路子野、效率高、操作骚的Python。得益于pandas强大的分组功能及非常多的奇技淫巧，Python的实现相比于Excel或MySQL会更加简单，但实现路径会比较抽象，需要注入一点想象力。按惯例先盘实现思路：数据清洗：删除订单状态为”交易失败“的行拼接首单时间：计算每个用户首单时间，并拼接为新的dataframe求留存量：对数据分组，并求唯一的客户昵称数求留存率：用首月留存量除整个留存量的dataframe7.1 数据清洗此步骤只需要调用drop函数即可完成删除，难度不大，核心是找到订单状态为“交易失败”的所在行的行索引。df.drop(index=df[df['订单状态'] == '交易失败'].index, axis=1, inplace=True)7.2 拼接首单时间调用分组聚合函数groupby以及数据拼接函数merge便能完成我们的需求，都是常规操作df_f = df.groupby(by='客户昵称')['付款时间'].min().to_frame(name='首单时间')df_f.reset_index(inplace=True)# 合并新的dataframe，包含客户昵称，付款时间，首单时间df_f = df[['客户昵称', '付款时间']].merge(df_f)

7.3 计算留存量接下来就是见证骚操作的时刻了。在pandas的分组聚合当中，对时间戳进行重采样不要太简单，只需要修改freq参数即可。核心思路：利用groupby函数对首单时间和付款时间进行分组，获得复合索引的series利用pd.Grouper对首单时间和付款时间进行重采样利用nunique函数求不重复值个数利用unstack函数将复合索引的series转为dataframe# 通过首单时间及付款时间进行分组，获得每个时间段的不重复客户数量df_f = df_f.groupby(by=[pd.Grouper(key='首单时间', freq='m'), pd.Grouper(key='付款时间', freq='m')])['客户昵称'].nunique()# 将复合索引的series转置为dataframedf_f = df_f.unstack()

获得的结果如上图。如果有看Excel或MySQL实现方式的看官可能有会有疑问，为什么python不用计算月份差而其他两种需要。那是因为这种分组方式，首月用户量都分布在表格的对角线上，在Excel的数据透视表或者MySQL当中，等差地移动单元格并不是一件容易的事，但对于Python来说，不过是一个for循环。for i in range(len(df_f.index)):df_f.iloc[i] = df_f.iloc[i].shift(periods=-i)# 重置columnsdf_f.columns = ['本月新增', '+1月', '+2月', '+3月', '+4月', '+5月']shift函数常用于移动dataframe或series，具体参数如下：axis：针对dataframe：{0:'向下移动' , 1:'向右移动'}，针对series：向下移动periods：移动的步长，当periods为负时，向上/左移动fill_value：补充NaN的值得到如下结果

7.4 计算留存率尽管pandas非常强大，但此步骤中，如通过df_f/df_f[‘首月’]计算，结果是全为NaN的dataframe。不过我们可以使用apply函数遍历dataframe来实现。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作为pandas中最好用的函数之一，apply的详细用法各位参考官方文档即可，这里仅提三点注意事项：在apply中调用的函数不需要加括号，仅提供函数名即可向apply调用的函数传递变量，只需赋值给args，如果仅传递一个变量，要在变量后加上 “，”号调用的函数当中第0个参数由self提供，从第一个变量开始才是args中的变量，即上面函数中，dx对应的是df_f['本月新增']获得结果如下，完美完成任务：

八、复盘总结先回顾下同期群分析的重点同期群分析指将用户进行同期群划分后，对比不同同期群组用户的相同指标的分析方法同期群分析是产品数据分析的核心，能细致地监控用户行为，衡量用户价值时间的划分标准对分析结果影响很大，确定标准非常重要最后总结下本次ESP实现方式中分别涉及到的重要知识点工具重要知识点Excel- 数据透视表- VLOOKUP函数- 时间重采样函数：YEAR、MONTH- 时间差函数：DATEDIF- 条件函数：IF、COUNTIFSMySQL- 时间重采样函数：YEAR、MONTH- 时间差函数：TIMESTAMPDIFF- 流程控制函数：CASE WHENPython- 分组api：pd.Grouper()- 不重复计数：nunique()- 元素移动：shift()- apply()那么本次的分享到这里便结束了。至于同期群分析如何应用到实际业务问题中，我们留到下一篇商业分析实战再详细讲解。（如果写出来的话，一定不会鸽，一定不会~鸽！）参考资料Python数据分析实战 | 经典的同期群分析（附实战数据和代码）数据分析里经常听到的同期群，到底是个啥？同期群分析（Cohort Analysis）：https://www.cnblogs.com/HuZihu/p/11412288.html

最后给大家免费分享入门Python的最强三件套：《ThinkPython》、《简明Python教程》、《Python进阶》的PDF电子版。如果你是刚入门的小白，不用想了，这是最好的学习教材。