滋补保健关注引流榜2026-04-19日榜

根据提供的数据，我们可以从以下四个方面进行详细分析：

1. 引流效率

短视频引流占比与销售额的相关性

• 通过计算每个直播间短视频引流占比与对应销售额的关联度来评估其效果。
• 比如，可以使用皮尔逊相关系数或Spearman秩相关系数来量化这种关系。

例如：

import pandas as pd

# 假设df为包含所有数据的数据框
correlation = df['短视频引流占比'].corr(df['销售额'], method='spearman')
print(correlation)

2. 头部效应

TOP3直播的引流人次占比

• 计算前三个直播间引流总次数占总引流次数的比例。
• 如果这个比例较高，说明头部直播间对整体流量有较大影响。

例如：

top3_df = df.nlargest(3, '引流')
total_traffic = df['引流'].sum()
top3_traffic = top3_df['引流'].sum()

top3_percentage = (top3_traffic / total_traffic) * 100
print(f"Top 3直播间引流占比：{top3_percentage:.2f}%")

3. 类目特征

高引流占比直播的带货类目分布

• 分析引流占比较高的直播间其销售商品类型。
• 可以使用条形图或饼图来直观展示。

例如：

# 假设df['带货类目']列存储了带货类别信息
high_traffic_live = df.nlargest(10, '引流')
traffic_by_category = high_traffic_live['带货类目'].value_counts().head()

import matplotlib.pyplot as plt

plt.figure(figsize=(8, 6))
traffic_by_category.plot(kind='bar', color='skyblue')
plt.title('高引流直播间带货类目分布')
plt.ylabel('引流次数')
plt.xlabel('商品类别')
plt.show()

4. 粉丝体量

粉丝数与引流能力的关系

• 计算每个直播间平均每个粉丝的引流效果（单位：次/人）。
• 分析这些值并找出显著差异。

例如：

df['每粉丝引流次数'] = df['引流'] / df['粉丝']
avg_fans_traffic = df.groupby('粉丝').mean()['每粉丝引流次数']

# 可视化展示
plt.figure(figsize=(12, 6))
sns.boxplot(x='带货类目', y='每粉丝引流次数', data=high_traffic_live)
plt.title('不同类别直播间中每粉丝的引流效果')
plt.show()

通过上述步骤，你可以全面了解各维度的表现并找到提升引流效率的方法。

以上分析数据来源：互联岛