运动户外抖音热推榜2026-07-13日榜

为了进行有效分析，我们需要针对每个维度提取关键数据，并对数据进行初步处理和可视化。以下是针对给定数据的几个核心维度的具体分析步骤：

1. 达人扩散

目标: 确定带货商品的日均达人数量及销量。

• 计算每个商品30天内的总销量。
• 统计每个商品的日活跃达人数，并计算日均值。

示例代码（Python + Pandas）:

import pandas as pd

# 构建示例数据框
data = {
    "商品ID": [1, 2, 3],
    "带货商品佣金比例": [0.8, 0.6, 0.4],
    "达人数": [[50, 40, 30, 20, 10], [70, 60, 50, 40, 30], [90, 80, 70, 60, 50]],
    "销量": [[50, 40, 30, 20, 10], [70, 60, 50, 40, 30], [90, 80, 70, 60, 50]]
}

df = pd.DataFrame(data)

# 计算日均达人数量和销量
df['日均达人数'] = df['达人数'].mean(axis=1)
df['日均销量'] = df['销量'].mean(axis=1)

print(df[['商品ID', '日均达人数', '日均销量']])

2. 佣金吸引力

目标: 分析高佣金商品的带货意愿。

• 计算每个商品的日均佣金收入。
• 判断其是否高于平均水平。

示例代码（Python + Pandas）:

# 假设我们有一个商品销售数据字典，其中包含价格和销量信息
product_sales = {
    "商品1": {"price": 50, "sales": [20, 30, 40]},
    "商品2": {"price": 70, "sales": [40, 30, 20]},
    "商品3": {"price": 90, "sales": [60, 50, 40]}
}

# 计算日均佣金收入
for product, info in product_sales.items():
    daily_commission = sum(info["sales"]) * (info["price"] * 0.8) / len(info["sales"])
    print(f"{product} 的日均佣金收入为: {daily_commission}")

# 假设平均佣金收入标准值为50元
average_daily_commission = 50

for product, info in product_sales.items():
    daily_commission = sum(info["sales"]) * (info["price"] * 0.8) / len(info["sales"])
    if daily_commission > average_daily_commission:
        print(f"{product} 的日均佣金收入超过平均水平，有较高的带货意愿。")

3. 长尾效应

目标: 分析多达人带货商品的销量稳定性。

• 计算每个商品的日销量标准差。
• 比较不同商品之间的差异性。

示例代码（Python + Pandas）:

# 继续使用之前的df
df['日均达人数'] = df['达人数'].mean(axis=1)
df['日均销量'] = df['销量'].mean(axis=1)

# 计算每日销量的标准差
df['销量标准差'] = df['销量'].std(axis=1)

print(df[['商品ID', '日均销量', '销量标准差']])

4. 类目偏好

目标: 分析个护家清类目的达人覆盖特征。

• 统计不同类目下的达人数量。
• 判断该类别是否具有较高的吸引力。

示例代码（Python + Pandas）:

# 假设我们有一个包含商品类别的数据字典
categories = {
    1: "个护家清",
    2: "运动户外",
    3: "家居生活"
}

df['类别'] = [categories.get(i, '其他') for i in df.index]

# 计算每个类目的达人数量
category_counts = df.groupby('类别')['商品ID'].count()

print(category_counts)

这些步骤和示例代码可以帮助我们更好地理解数据并进行有针对性的分析。请根据实际情况调整数据处理和分析方法。

以上分析数据来源：互联岛