原料包装feed流推荐榜2026-07-02日榜

根据提供的数据和分析维度，我们可以进行如下核心分析：

1. 引流效率

• 短视频引流占比：

  • 通过计算各直播间短视频引流的比例（即短视频引流人次除以总流量），可以了解短视频在吸引用户进入直播间中的作用。

• 销售额与短视频引流的关系：

  • 可将销售额与短视频引流比例进行回归分析，以确定二者之间的相关性。例如，使用Pearson相关系数来评估两者之间的线性关系。

2. 头部效应

• TOP3直播的引流人次占比：

  • 将流量最大的前三名直播间引流人数合计，并计算其占总引流人数的比例。

  示例代码:

  top_3_ratio = (data['短视频引流（人）'].nlargest(3).sum() / data['短视频引流（人）'].sum()) * 100
  print(f'TOP3直播的引流人次占比：{top_3_ratio:.2f}%')
  

• 销售额与TOP3流量的关系：

  • 分析这些顶级直播间在总销售额中的贡献，看它们是否对整体销售产生关键影响。

3. 类目特征

• 高引流占比直播的带货类目分布：

  • 统计不同带货类型的短视频引流效果。例如，可以将商品分为以下几大类：食品、工具、家居用品等，并计算每种类型在总引流中的占比。

  示例代码:

  class_distribution = data.groupby('类目').sum()['短视频引流（人）'] / data['短视频引流（人）'].sum() * 100
  print(f'高引流占比直播的带货类目分布：\n{class_distribution}')
  

4. 粉丝体量

• 粉丝数与引流能力的关系：

  • 计算每个直播间视频发布的平均点赞量、评论量等互动数据，然后结合其短视频引流人次进行散点图分析。

  示例代码:

  import seaborn as sns
  import matplotlib.pyplot as plt
  
  sns.scatterplot(x='粉丝数（人）', y='短视频引流（人）', data=data)
  plt.title('粉丝数与短视频引流关系')
  plt.show()
  

通过上述分析，可以更加深入地理解不同因素对直播带货效果的影响。希望这些信息对你有所帮助！如果有更多具体问题或需要进一步的帮助，请随时告知。

以上分析数据来源：互联岛