滋补保健视频商品榜2026-04-29日榜

添加日期：2026-05-01 04:24:11浏览：3

基于给定的数据和分析维度，我们将对每种商品进行以下四方面的评估：

视频传播：
- 计算高关联视频数的商品数量占比。
转化效率：
- 计算视频数与销售额的相关性（相关系数）。
长尾效应：
- 评估多视频带货的商品销量稳定性。
类目分布：
- 分析食品、个护类目的视频带货偏好。

数据预处理

首先，将数据中的销量和销售额转化为数值类型，并统计高关联视频数（视频数大于等于2）的商品数量占比。

import pandas as pd

# 示例数据
data = {
    '商品编号': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
    '商品名称': ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J'],
    '视频数': [2, 3, 4, 5, 6, 1, 7, 8, 9, 0],
    '销量': [120, 150, 180, 210, 240, 100, 270, 300, 330, 90],
    '销售额': [5000, 6000, 7000, 8000, 9000, 4000, 10000, 12000, 14000, 3000]
}

df = pd.DataFrame(data)

# 计算视频数大于等于2的商品数量占比
high_video_count = df[df['视频数'] >= 2].shape[0] / df.shape[0]

print(f"视频数大于等于2的商品数量占比: {high_video_count:.2%}")

视频传播

计算高关联视频数（≥2）的商品数量占比：
- 示例数据中有8个商品的视频数大于等于2，总共有10个商品。
- 比例：( \frac{8}{10} = 0.8 ) 或者 80%

转化效率

计算视频数与销售额的相关性（相关系数）：

from scipy.stats import pearsonr

# 计算视频数和销售额的相关系数
correlation, _ = pearsonr(df['视频数'], df['销售额'])
print(f"视频数与销售额的相关系数: {correlation:.2f}")

长尾效应

评估多视频带货的商品销量稳定性：
- 计算销量标准差，以此来衡量数据的分散程度。

import numpy as np

# 计算销量的标准差
sales_std = df[df['视频数'] >= 2]['销量'].std()
print(f"视频数大于等于2的商品销量标准差: {sales_std:.2f}")

类目分布

分析食品、个护类目的视频带货偏好：
- 示例数据中没有明确的类目信息，可以自行添加或从其他渠道获取。

# 假设给定商品类别（示例）
df['类目'] = ['食品', '个护', '食品', '个护', '食品', '食品', '个护', '食品', '个护', '食品']

# 计算各品类视频数的平均值
category_videos = df.groupby('类目')['视频数'].mean()
print(f"各类目平均视频数: \n{category_videos}")

结论

视频传播：80%的商品有较高视频数（≥2）。
转化效率：相关系数将显示两者之间的关系，可以根据结果进行进一步分析。
长尾效应：销量标准差可以帮助我们了解多视频带货商品的稳定性。
类目分布：各品类平均视频数可以提供不同的带货偏好。

以上是一个初步的数据处理和分析方案。实际应用中，可能需要根据具体业务需求进一步调整和优化这些步骤。

以上分析数据来源：互联岛

详细数据，请访问互联岛官网>

猜你想看