图书教育feed流推荐榜2026-06-25日榜

根据您提供的数据，我们可以通过以下几个步骤进行深度分析：

1. 引流效率

计算短视频引流占比与销售额的相关性

import pandas as pd

# 创建示例数据框
data = {
    '直播间名称': ['直播间A', '直播间B', ..., '直播间D'],
    '粉丝数': [20w, 30w, ... , 10w],
    '短视频引流人数': [5.8w, 4.6w, ... , 7.2w],
    '销售额（万元）': [10, 20, ..., 5]
}

df = pd.DataFrame(data)

# 计算短视频引流占比
df['短视频引流占比'] = df['短视频引流人数'] / df['粉丝数']

# 计算相关性
correlation = df[['短视频引流占比', '销售额']].corr()
print(correlation)

2. 头部效应

计算TOP3直播的引流人次占比

# 假设我们按照短视频引流人数排序，取前三名

top_3_df = df.nlargest(3, '短视频引流人数')
total引流人数 = df['短视频引流人数'].sum()
top_3引流占比 = (top_3_df['短视频引流人数'].sum() / total引流人数) * 100
print(f"TOP3直播的引流人次占比为: {top_3引流占比:.2f}%")

3. 类目特征

分析高引流占比直播的带货类目分布

# 假设我们有一个额外的“商品类别”列，用于进一步分析

data['商品类别'] = ['电子产品', '服饰', '家居用品', ..., '食品']

df_with_categories = pd.DataFrame(data)

# 分析每个类别的引流占比
category_analysis = df_with_categories.groupby('商品类别')['短视频引流人数'].sum()
category_total = df_with_categories['短视频引流人数'].sum()

for category, total in category_analysis.items():
    print(f"{category}的引流占比: {total / category_total * 100:.2f}%")

4. 粉丝体量

分析粉丝数与引流能力的关系

# 计算每个直播间的引流转化率（短视频引流人数/粉丝数）

df['引流转化率'] = df['短视频引流人数'] / df['粉丝数']

# 按照粉丝数分段进行分析

fan_group_analysis = df.groupby(pd.cut(df['粉丝数'], bins=[0, 15w, 30w, 45w, 60w, 75w, 90w, 100w])).agg({
    '短视频引流人数': ['sum', 'mean'],
    '销售额': 'mean'
})

print(fan_group_analysis)

结果解读

• 引流效率：通过相关性分析，可以了解短视频引流是否能够有效转化为销售额。
• 头部效应：TOP3直播在整体中的贡献占比，可以帮助识别关键直播间。
• 类目特征：不同商品类别的引流人数分布情况，有助于定位高潜力的商品类别。
• 粉丝体量：按粉丝数量分段的分析，可以发现哪些粉丝群体的转化率更高。

这些步骤和结果将帮助我们更好地理解和优化直播间的流量获取与转化策略。

以上分析数据来源：互联岛