第二章是一个咖啡店销售低靡,同样也是给出了表格,这里的是客户的问卷调查。
address = [4.7, 4.6, 4.7, 4.2, 4.8, 4.2]
temperature = [4.9, 4.9, 4.7, 4.9, 4.7, 4.9]
enthusiasm = [3.6, 4.1, 4.2, 3.9, 3.5, 4.6]
coffeevalues = [4.3, 3.9, 3.7, 3.5, 3.0, 2.1]
place = [3.9, 4.2, 3.7, 4.3, 4.3, 3.9]
df = pd.DataFrame({'选址方便': address, '咖啡温度': temperature, '员工热情': enthusiasm, '咖啡价值': coffeevalues, '偏爱去处': place},
index=['8月', '9月', '10月', '11月', '12月', '1月']).T
原文中的销量是处在一直下降的,因此我们来看看特征中有没有与之吻合的。同样我们也是使用图表来处理。
plt.figure(1)
plt.subplot(321)
plt.plot(address)
x = [0, 1, 2, 3, 4, 5]
my_xticks = ['Aug', 'Sep', 'Oct', 'Nov', 'Dec', 'Jan']
plt.xticks(x, my_xticks)
plt.ylim(0, 5)
plt.subplot(322)
plt.plot(temperature)
plt.xticks(x, my_xticks)
plt.ylim(0, 5)
plt.subplot(323)
plt.plot(enthusiasm)
plt.xticks(x, my_xticks)
plt.ylim(0, 5)
plt.subplot(324)
plt.plot(coffeevalues)
plt.xticks(x, my_xticks)
plt.ylim(0, 5)
plt.subplot(313)
plt.plot(place)
plt.xticks(x, my_xticks)
plt.ylim(0, 5)
plt.show()
原文给的调查问卷中,客户选择范围是从1~5,1表示完全不同意,5表示完全同意。这里我们设置一下y轴的现实范围。
如果这里不设置范围,采用默认的话,像温度这种比较稳定的成绩,在图表中看起来都会显得很不稳定。
当然,如果不用图表,单单用pandas的describe()我们也可以看到咖啡价值的均值比较低,离散程度比较高。但我认为图表会更直观一些。
然而这是各个区域的数据汇总,原文中后面给出了各个区域的原始数据并建议将数据分开来看。也就是数据分箱。分箱后的数据更具有同质性。
关于提高价值,这里给了我们两个方案:
1.游说让人们认同咖啡的价值
2.降价
这里给出了比较法:
1.划分微区域(和数据的分箱类似,只不过这次是按照地域的分箱,这里微区域的划分不能过于密集,否则人们可能因为旁边的店降价而去那里。)
2.将微区域随机分配给控制组和实验组
3. 控制组维持现状,实验1组降价一个月,实验二组游说一个月。
4.收集结果
5.组与组进行比较
本章整个流程看似很简单,但是如果避免混杂因素确实是一个问题,在使用这种方法的时候一定要尽量排除混杂因素。