极客资料网推荐理论都会，实战就废？7个分析模板，帮你打通任督二脉这篇文章给大家，欢迎收藏极客资料网享受知识的乐趣

数据分析和编程一样，是有模式的。其实大部分业务分析题，扒开外壳看内核，就那7个套路。

你遇到的那些所谓“新问题”，90%都能套进下面这7个框架。

不管你是在字节、阿里、拼多多，还是一个小创业公司做增长--数据就是数据，逻辑永远不会骗你。

🎯 模式1：连接+筛选 = 精准找人找事

业务场景：
春运期间，12306联合抖音推"旅途内容包"，想给用户推荐时长≤当前车次剩余时间的短视频，提升乘车体验。

核心逻辑：
先连表（车次信息+视频库），再筛选（时长匹配+车次ID），最后排序（优先推荐完播率高的）。

Python代码示例：

import pandas as pd

# 车次表 & 视频库（模拟数据）
train_df = pd.DataFrame({
    'train_id': [101, 102],
    'remaining_minutes': [45, 90]  # 剩余分钟数
})

video_df = pd.DataFrame({
    'video_id': ['v1', 'v2', 'v3'],
    'duration_min': [30, 60, 120],
    'completion_rate': [0.85, 0.72, 0.91]  # 完播率
})

# 连接+筛选+排序（核心三步）
result = (
    train_df[train_df['train_id'] == 101]  # 筛选目标车次
    .merge(video_df[video_df['duration_min'] <= 45], how='cross')  # 连接+时长过滤
    .sort_values('completion_rate', ascending=False)  # 优先推荐高完播
    [['train_id', 'video_id', 'duration_min']]
)
print(result)

---

💡 业务复用场景：

• 美团：骑手+订单匹配，筛选3公里内可接单骑手
• 小红书：笔记+用户标签匹配，精准推送美妆内容
• 滴滴：车型+用户需求匹配，筛选符合"宠物友好"的车辆

🎯 模式2：窗口函数 = 排名排序神器

业务场景：
美妆品牌想监控各KOL账号下，点赞最高的3篇笔记，用于复盘内容策略。

核心逻辑：
按账号分组（PARTITION BY），按点赞降序排（ORDER BY），用RANK()打标，再筛前3。

Python代码示例：

# 模拟笔记数据
notes_df = pd.DataFrame({
    'account': ['A', 'A', 'A', 'B', 'B', 'B'],
    'note_id': [1,2,3,4,5,6],
    'likes': [1200, 3500, 2800, 900, 4100, 3900]
})

# 窗口函数排名（pandas 2.1+ 支持 rank）
notes_df['rank'] = notes_df.groupby('account')['likes']\
    .rank(method='min', ascending=False)  # method='min' 等价 SQL RANK()

# 筛选各账号前3
top3 = notes_df[notes_df['rank'] <= 3][['account', 'note_id', 'likes', 'rank']]
print(top3)

## 运行结果：
'''
    account  note_id  likes  rank
0       A        1   1200   3.0
1       A        2   3500   1.0
2       A        3   2800   2.0
3       B        4    900   3.0
4       B        5   4100   1.0
5       B        6   3900   2.0
'''

💡 业务复用场景：

• 淘宝直播：各主播场均GMV排名，找头部潜力股
• 学而思：各班级学员进步榜，激励+复盘双用
• 顺丰：各片区骑手准时率排名，优化运力调度

🎯 模式3：聚合+分组 = 数据卷王必备

业务场景：
分析"用户当天打开APP+当天完成下单"的行为，计算人均订单数&客单价，评估"即时需求"转化效率。

核心逻辑：
先按用户+日期去重（确保一人一天只算一次会话），再连订单表，最后GROUP BY聚合求和/计数。

Python代码示例：

# 会话表 & 订单表
session_df = pd.DataFrame({
    'user_id': [101,101,102],
    'session_date': ['2024-06-01','2024-06-02','2024-06-01']
}).drop_duplicates()  # 去重：一人一天只算一次

order_df = pd.DataFrame({
    'user_id': [101,101,102],
    'order_date': ['2024-06-01','2024-06-01','2024-06-01'],
    'order_value': [35.5, 28.0, 52.0]
})

# 连接+聚合
result = (
    session_df.merge(order_df, 
                     left_on=['user_id','session_date'],
                     right_on=['user_id','order_date'])
    .groupby(['user_id','session_date'])
    .agg(total_orders=('order_value','count'),
         total_value=('order_value','sum'))
    .reset_index()
)
print(result)

## 运行结果：
'''
      user_id session_date  total_orders  total_value
0      101   2024-06-01             2         63.5
1      102   2024-06-01             1         52.0
'''

💡 业务复用场景：

• 京东到家：用户日活+下单转化，评估"小时达"粘性
• 得到APP：用户日登录+课程购买，分析知识付费路径
• 银行APP：用户日打开+理财申购，追踪金融转化漏斗

🎯 模式4：透视表 = 把行变列，一眼看懂趋势

业务场景：
HR想横向对比各职级员工在2021-2024年的调薪幅度，快速识别"涨薪黑马"和"滞涨群体"。

核心逻辑：
用CASE WHEN（或pandas pivot）把"年份"从行变列，再用MAX/SUM聚合，最后按员工分组输出。

Python代码示例：

# 模拟调薪数据
salary_df = pd.DataFrame({
    'employee': ['张三','张三','张三', '李四','李四'],
    'year': [2021,2022,2023, 2021,2022],
    'salary': [15, 18, 22, 20, 21]  # 单位：万
})

# 透视：年份变列（方法1：pivot_table）
pivot = salary_df.pivot_table(
    index='employee',
    columns='year',
    values='salary',
    aggfunc='max'  # 同年份多条取最高
).fillna(0)  # 缺失年份补0

print(pivot)
# 输出：
# year    2021  2022  2023
# employee                
# 张三    15.0  18.0  22.0
# 李四    20.0  21.0   0.0

💡 业务复用场景：

• 财务：各事业部季度营收对比，一眼看出谁在拖后腿
• 运营：各渠道月度ROI透视，快速分配下月预算
• 产品：各功能模块周活对比，决定迭代优先级

🎯 模式5：累计指标 = 看趋势，别只看单点

业务场景：
投资人想看"剔除退款后的真实增长"，计算3个月滚动平均GMV，平滑大促波动，看清长期趋势。

核心逻辑：
先按月聚合（剔除负值退款），再用rolling().mean()算滑动平均，最后按时间排序输出。

Python代码示例：

# 模拟采购数据（含退款负值）
purchase_df = pd.DataFrame(
    {
        "date": pd.date_range("2023-01", periods=13, freq="ME"),  # 生成13期
        "amount": [120, -15, 135, 142, -8, 158, 165, 170, -20, 185, 192, 200, 210],
    }
)

# 1. 按月聚合 + 剔除退款
monthly = (
    purchase_df[purchase_df["amount"] > 0]
    .groupby(pd.Grouper(key="date", freq="ME"))
    .agg(monthly_gmv=("amount", "sum"))
    .reset_index()
)

# 2. 计算3期滚动平均
monthly["rolling_3m"] = monthly["monthly_gmv"].rolling(window=3).mean()

print(monthly[["date", "monthly_gmv", "rolling_3m"]])

## 运行结果：
'''
         date  monthly_gmv  rolling_3m
0  2023-01-31          120         NaN
1  2023-02-28            0         NaN
2  2023-03-31          135   85.000000
3  2023-04-30          142   92.333333
4  2023-05-31            0   92.333333
5  2023-06-30          158  100.000000
6  2023-07-31          165  107.666667
7  2023-08-31          170  164.333333
8  2023-09-30            0  111.666667
9  2023-10-31          185  118.333333
10 2023-11-30          192  125.666667
11 2023-12-31          200  192.333333
12 2024-01-31          210  200.666667
'''

💡 业务复用场景：

• B站：UP主粉丝7日滚动增长，识别内容爆发点
• 蔚来：门店周订单滚动均值，评估新车型热度
• 阿里云：客户月消耗滚动趋势，预判续费风险

🎯 模式6：漏斗分析 = 用户去哪了？

业务场景：
分析用户从"首次登录"→"周活5次+"→"月观看10h+"的转化路径，计算各阶段流失率，优化新手引导。

核心逻辑：
用CTE（或pandas多步筛选）定义每阶段用户，再用LEFT JOIN串联，最后算转化率=末阶段/首阶段。

Python代码示例：

# 模拟用户行为数据
user_df = pd.DataFrame({
    'user_id': range(1,101),
    'country': ['CN']*100,
    'sessions_30d': np.random.poisson(8, 100),  # 30天会话数
    'watch_hours': np.random.exponential(5, 100)  # 观看小时数
})

# 定义三阶段（向量化筛选，高效！）
stage1 = user_df[user_df['sessions_30d'] > 0]  # 活跃用户
stage2 = user_df[user_df['sessions_30d'] >= 5]  # 深度活跃
stage3 = user_df[(user_df['sessions_30d'] >=5) & (user_df['watch_hours']>=10)]  # 核心用户

# 计算转化（按国家分组）
funnel = pd.DataFrame({
    'country': ['CN'],
    'active_users': len(stage1),
    'engaged_users': len(stage2),
    'power_users': len(stage3),
    'conversion_rate': round(len(stage3)/len(stage1)*100, 2)
})
print(funnel)

## 运行结果：
'''
  country  active_users  engaged_users  power_users  conversion_rate
0      CN           100             93           14             14.0
'''

💡 业务复用场景：

• 淘宝：浏览→加购→支付，优化购物车流失
• 得到：试听→购课→完课，提升知识付费转化
• 微信支付：绑卡→首刷→复刷，加速支付习惯养成

🎯 模式7：时间对比 = 今天比昨天好在哪？

业务场景：
城管局想监控"每日违规开单量"的日环比变化，快速发现执法强度波动或居民配合度变化。

核心逻辑：
先按日聚合违规数，再用shift()取前一天值，最后相减得差值，正数=变严，负数=变松。

Python代码示例：

# 模拟违规数据
violation_df = pd.DataFrame(
    {
        "date": np.random.choice(
            pd.date_range("2024-01-01", periods=10, freq="D"),  # 10个候选日期
            size=100,  # 生成100条记录
            replace=True,  # 允许同一天多条
        ),
        "violation_id": range(1, 101),
    }
)

# 1. 按日聚合
daily = violation_df.groupby("date").size().reset_index(name="daily_count")

# 2. 计算日环比变化（shift取前一天）
daily["diff"] = daily["daily_count"] - daily["daily_count"].shift(1)

print(daily[["date", "daily_count", "diff"]])

## 运行结果：
'''
        date  daily_count  diff
0 2024-01-01            3   NaN
1 2024-01-02            5   2.0
2 2024-01-03           14   9.0
3 2024-01-04           10  -4.0
4 2024-01-05            9  -1.0
5 2024-01-06            7  -2.0
6 2024-01-07           12   5.0
7 2024-01-08            8  -4.0
8 2024-01-09           15   7.0
9 2024-01-10           17   2.0
'''

💡 业务复用场景：

• 抖音：日活用户日环比，监控内容热点效应
• 美团：日订单量波动，快速响应天气/节日影响
• 招商银行：日理财申购变化，捕捉市场情绪拐点

🎁 总结

这7个模式，真不是啥高深算法。

但90%的业务分析题，拆开看，就是它们的排列组合。

面试前刷一遍，工作中套一遍，效率直接拉满。

✨ 记住：数据是死的，套路是活的。掌握模式，才能以不变应万变。

文章来源:https://www.cnblogs.com/wang_yb/p/19830000
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：jacktools123@163.com进行投诉反馈，一经查实，立即删除！