滋补保健视频商品榜2026-04-20~2026-04-26周榜

根据您提供的数据，我们将从核心分析维度参考中选择适合的指标来进行综合评估，并进行相应的数据分析和可视化。

1. 视频传播

高关联视频数的商品流量优势

• 计算每个商品对应的高关联视频数量。
• 统计具有较高视频数（例如前5%或10%）的商品总销量与整体销售额的占比。

2. 转化效率

视频数与销售额的相关性

• 计算每条视频对应的平均销售额。
• 使用线性回归模型，分析视频数量对销售额的影响。
• 可视化每个商品的销售量与其所关联的视频数量的关系图。

3. 长尾效应

多视频带货的商品销量稳定性

• 分析具有多个（例如前20%）高关联视频的商品的销量波动情况。
• 计算这些商品每月销量的标准差，评估其销量稳定性的程度。
• 绘制箱形图或分布图来展示这些商品的销量分布。

4. 类目分布

食品、个护类目的视频带货偏好

• 按类别对商品进行分类。
• 计算不同类别中高关联视频的数量及其所占比例。
• 使用条形图或饼图可视化各品类视频数量和销售额的分布情况。

数据分析与可视化

基于上述分析维度，我们可以使用Python的数据处理库（如Pandas）来进行数据分析，并使用Matplotlib、Seaborn等进行数据可视化。以下是一个基本的代码示例：

import pandas as pd
import matplotlib.pyplot as plt

# 假设已有DataFrame df
df = pd.read_csv("your_data.csv")

# 1. 视频传播 - 高关联视频数的商品流量优势
top_videos_percent = 5  # 取前5%的高关联视频商品
high_video_products = df.nlargest(int(df.shape[0] * top_videos_percent / 100), 'video_count')
print(high_video_products['total_sales'].sum() / df['sales'].sum())

# 2. 转化效率 - 视频数与销售额的相关性
df['avg_sale_per_video'] = df['total_sales'] / (1 + df['video_count'])  # 计算平均销售额

# 3. 长尾效应 - 多视频带货的商品销量稳定性
multiple_videos_percent = 20  # 取前20%的多视频商品
multi_video_products = df.nlargest(int(df.shape[0] * multiple_videos_percent / 100), 'video_count')
print(multi_video_products['sales'].std())

# 4. 类目分布 - 食品类别偏好
category_sales = df.groupby('category')['total_sales'].sum()
plt.figure(figsize=(10, 6))
category_sales.plot(kind='bar', color='skyblue')
plt.title("Sales by Category")
plt.xlabel("Category")
plt.ylabel("Total Sales")
plt.show()

# 绘制每个商品的销售量与其所关联的视频数量的关系图
df.plot(x='video_count', y='total_sales', kind='scatter', alpha=0.5)
plt.title('Scatter Plot of Video Count vs Total Sales')
plt.xlabel('Video Count')
plt.ylabel('Total Sales')
plt.show()

通过上述分析和可视化，您可以更深入地理解视频带货对商品销售的影响，并据此做出决策。

以上分析数据来源：互联岛