猿急送>

杭州Python兼职程序员

ID：319246

扫地哥论道

Python数据分析师

公司信息：
扫地哥Python数分咨询工作室

工作经验：
4年

兼职日薪：
500元/8小时

兼职时间：
下班后
周六
周日
可工作日远程

所在区域：
杭州
余杭

技术能力

精通Python类大数据分析
【1】Python数分：数据获取+数据清洗+数分+数据可视化的数分经验（pandas，numpy，matpoltlib，seaborn，pyecharts，pyhive，pymysql，scikit-learn）；
【2】Mysql+Hive数仓：智能营销和淘宝用户行为SQL分析；Hive窗口函数和分区表+分桶表+内部表+外部表；
【3】Python爬虫：爬京东+小米商品数据，爬豆瓣电影和评论，爬城市二手房信息；
【4】Hadoop和Docker：搭伪分布式集群，hive数仓数分

项目经验

（1）聚合支付商户分析
A.去重 merge表，pivot_table 分组聚合 TOP 5排序分析；
B.按年-月求.sum()和按天的.cumsum()滚动交易额以及占比 pie图，按城市和 top10_bd 排名交易总额和交易笔总数 bar图，line 图和 box 图以及 pie图；
C.按 merchant_id 排名交易笔数[30,100,300,500,1K,3K,5K,1W,1W+]正态分布图；
D.corr(),std(),cov()分析 GMV 和交易笔数，BD数，cost 相关性；
E. Pyecharts 交互股票式 GMV 折线图，overlap 图和 Page 大屏图；
（2）电商用户消费行为分析
A.time 列转成 datetime ，按 month 统计购买数量，整体消费金额，消费次数，消费人数；用户个体消费金额，消费次数 bar图，line 图和 scatter图；
B.用户消费行为：首次购时间和最后一次购买时间；用户分层，计算R-F-M值，用户分层 scatter()图；
C.新老-活-回流用户数分，用户购买周期，用户生命周期分析，复购率和回购率数分
（3）电商零售客户数分
A.提取订单时间去重，异常数据占比；按月分组，销量最多月 bar图；
B. 按城市分组，按购买量求和排序，购买商品数量前10城市 bar图；
C.计算客单价；按客户 ID 分组，汇总销售数量和销售额，用户平均消费金额和消费次数；
D. pivot_table 算年度退货率；算R-F-M值，各分位数段客户消费频次，RFM 数据转换，RFM 价值判断，各用户等级个数统计，用户等级 bar 图和用户等级比例 pie图；
（4）双十一淘宝化妆品销量数分
A.处理缺失值，销量和销售额众数，宝贝标题分词，转时间列为 datetime并 index ,算各店铺商品数量 bar图，各店铺品牌总销量和品牌总销售额 bar图，化妆品和护肤品销量占比和子类别销量占比 pie图，各品牌各总类总销量 bar图；
B.各品牌各子类总销量，各品牌各子类总销售额 bar图；各品牌商品平均评论数 bar图，各店铺价格箱型图，各品牌产品平均价格 bar图，各店铺品类销售量和销售额散点图，bar 图分析男性护肤品销量，11月按天统计日销量；
（5）电子产品 RFM 分析
KA 客户分析，消费人群画像分析，产品分析，销量分析，订单分析，月度会员分析，用户分层，复购率与订单分析，二次订单间隔分布分析，会员 RFM 分析；
（6）O2O消费券线下使用情况分析
A.去重，将日期转成 datetime ，把折扣率列的满减换算折扣率，进行['有券未消费','无券且消费','有券且消费']占比 pie图；
B.在有券消费人中，分析距离和优惠折扣，算到店消费人数与平均距离和折扣力度相关系数，每天优惠券总体发放量与使用量 bar图，算每天优惠券使用与发券量占比 bar图；
（7）klook 客路旅行业务分析
A.去重，按游客分组，统计游客消费次数和消费金额，merge 并表，分析用户购买[2次以上,1-5次]分析 hist图，['1次','2次','3次','4次','5次']pie图；
B.月复购率分析，复购用户人数 hist图，回购率分析，pivot_table 频次表，每月回购人数分析，def()计算月分层用户占比，算月活跃用户回流用户占比 pie图，用户生命周期 hist图，算时段用户留存率留存天数并 pie图；
（8）kaggle 电子游戏数分
游戏时间、类型、发布平台，发行商 pivot_table 分析，年游戏发行 bar图，游戏发行商 TOP10分析，游戏收入排 TOP10发行商 bar图，发布平台总销量 bar图；
（9）广告投放效果分析；
广告90天内日均 UV ，平均注册率、平均搜索率、访问深度、平均停留时长、订单转化率、投放时间、素材类型、广告类型、合作方式、广告尺寸和广告卖点分类分析, 平均停留时间与访问深度 corr 相关性分析，Top25日均 UV 状况及其广告投放总时间，广告类型/卖点与平均注册率、订单转化率关系；
（10）闯关类游戏数分
按渠道效果：每日新增用户数、活跃用户数同环比，活动转化率、第7日加权留存率、付费率、ARPU、ARPPU、CPL 买量成本、LTV 和 ROI ；然后数值标准化处理，计算均值，标准差，标准差系数，赋予权重综合计算排名；

案例展示

Python数据分析

【1】Python数据分析类 1.1 做过35个数据分析中小型项目，涉及kaggle和飞桨的电商，支付，新零售，股票，生物，气象领域数据； 1.2 具备扎实的Python数据获取+数据清洗+数据整合+数据分析+数据可视化的数据分析经验（pandas，numpy，matpo
电商零售数据RFM分析

A.数据清洗，提取订单时间中的：年-月-日，去重，分析异常数据占比和特点；按月分组，销量最多的月份排序可视化bar图； B. 按城市分组，按购买数量求和，按数量求和排序，购买商品数量前10的城市--可视化bar图； C.计算客单价；按客户ID分组，汇总销售数量和销售额，计算用
双十一淘宝化妆品销量信息分析

A.数据清洗：处理缺失值，查看sale_count和comment_count列的众数，对宝贝标题进行分词处理，将销售额作为新的一列，转换时间列格式为datetime并作为index,计算各店铺的商品数量绘制bar图，计算各店铺品牌总销量和品牌总销售额绘制bar图，根据化妆品和护