🔒Открыть пост
и посмотреть медиа
и посмотреть медиа
Как провести анализ динамики
Продолжая затронутую ранее тему, расскажу немного подробнее о том, как именно построить динамику с помощью Python.
1️⃣Как проследить за изменением суммы и кол-ва транзакций и за изменением среднего баланса?
Проще всего будет сгруппировать данные с помощью groupby по дате транзакции (key='TransactionDate'), рассчитав, соответственно, нужные нам метрики (сумму, кол-во, среднее...) и выбрав нужный интервал (пускай это будет неделя: freq='W'):
import pandas as pd
#Путь и первоначальная сортировка
file_path = 'ПУТЬ.../bank_transactions.csv'
df = pd.read_csv(file_path)
df = df.sort_values('TransactionDate')
#Группировка
weekly_stats = df.groupby(
pd.Grouper(key='TransactionDate', freq='W')).agg({
'TransactionAmount': ['sum', 'count', 'mean'],
'CustAccountBalance': 'mean'
}).round(2)
weekly_stats.columns = [
'Total_Amount',
'Transaction_Count',
'Avg_Transaction',
'Avg_Balance']
weekly_stats = weekly_stats.reset_index()
print("Недельная статистика:")
print(weekly_stats)
В итоге получим агрегированные по неделям данные с расчетом общей суммы транзакций, их кол-ва, среднего размера транзакции и среднего размера баланса.
Можно прикрутить к этому и расчет относительной и абсолютной динамики:
weekly_growth = weekly_stats.set_index('TransactionDate').pct_change()*100
weekly_growth = weekly_growth.round(2)
weekly_growth = weekly_growth.reset_index()
print("\nНедельные приросты (%):")
print(weekly_growth)
weekly_abs_change = weekly_stats.set_index('TransactionDate').diff()
weekly_abs_change = weekly_abs_change.reset_index()
print("\nАбсолютные изменения:")
print(weekly_abs_change)
Всё это применимо как и к датасету в целом, так и к отдельно ранее рассчитанным сегментам. При необходимости можно также это всё визуализировать.
2️⃣Как выявить изменения временных паттернов?
При анализе часовой активности логика тут примерно такая же: нужна группировка, но уже не по неделям, а по часам. Для этого нужно извлечь часы из времени транзакции и по этим часам сгруппировать датасет (или сегмент).
# Извлекаем час из времени транзакции
df['Hour'] = pd.to_datetime(df['TransactionTime'],
format='%H:%M:%S').dt.hour
# Количество транзакций по часам
hourly_transactions = df.groupby('Hour').agg({
'TransactionID': 'count',
'TransactionAmount': ['sum', 'mean']
}).round(2)
hourly_transactions.columns = [
'Transaction_Count',
'Total_Amount',
'Avg_Amount']
hourly_transactions = hourly_transactions.reset_index()
print("Распределение транзакций по часам:")
print(hourly_transactions)
Очень похожим образом можно анализировать активность и по дням недели, и по кварталам, и по месяцам.
Еще можно рассчитать среднее время между транзакциями для каждого клиента. Для этого выберем клиентов, у которых больше 1 транзакции, и в рамках этих клиентов отсортируем транзакции по их дате и времени, рассчитав среднюю разницу между ними.
Получившиеся результаты (в секундах) можно преобразовать в дни и, соответственно, вывести результаты:
customer_intervals = df.groupby('CustomerID').apply(
lambda x: x.sort_values('TransactionDateTime')['TransactionDateTime'].diff().mean()
if len(x) > 1 else pd.NaT
)
customer_intervals_days = customer_intervals.dt.total_seconds() / (24 * 3600)
interval_stats = {
'Avg_Days_Between_Transactions': customer_intervals_days.mean(),
'Median_Days_Between_Transactions': customer_intervals_days.median(),
'Min_Days_Between_Transactions': customer_intervals_days.min(),
'Max_Days_Between_Transactions': customer_intervals_days.max()
}
print("\nСтатистика времени между транзакциями (в днях):")
for key, value in interval_stats.items():
print(f"{key}: {value:.2f}")
Это даст нам сводные результаты по датасету или сегменту. Если мы хотим понять, как менялось это время, например, из месяца в месяц, то можно просто задать ограничения на входящие данные и получать эту статистику за каждый месяц (а не за весь период как сейчас), сравнивая потом эти месяца между собой.