银行营销数据分析---Python(numpy、pandas、matplotlib)

项目介绍

• 数据来源：kaggle银行营销数据
• 工具：Python、Jupyter Notebook

本项目采取的是kaggle银行营销的数据源，主要是预测客户是否会订购银行的产品，但是，这次我将使用numpy、pandas、matplotlib数据分析三件套，基于源数据，深入分析影响银行三大业务—存款、贷款、营销产品的因素，分析结果可能不是很完善， Try my best！

---

我的理解

这是第一次自己比较正式的使用Python进行数据分析，所以在进行数据分析之前，需要理清自己的分析思路：首先是对于这份数据的理解，确定数据分析目标： 我到底需要分析这个数据的什么？需要得出什么样的结论？我的答案是：想要获得与银行存款、贷款和营销产品相关的主要用户群体及它们之间的影响因素，为下次银行活动提供数据支持；其次，有了目标，我需要如何做？我主要分为3步：

1. 了解数据：解析源数据
2. 数据处理：去除垃圾数据及不可用数据
3. 目标数据分析：针对项目的分析目标，进行数据可视化，对比分析

最后，对数据分析进行总结，给出自己的思考看法。

---

了解数据

源数据解析

首先，查看源数据，发现每一行的数据都使用 “;” 隔开，表头含义如下：

部分源数据展示：

源数据概况

导入需要的工具包

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

读入数据

data = pd.read_csv(r"D:\Desktop\train.csv",sep=";")

展示前五条数据

data.head()

	age	job	marital	education	default	balance	housing	loan	contact	day	month	duration	campaign	pdays	previous	poutcome	y
0	58	management	married	tertiary	no	2143	yes	no	unknown	5	may	261	1	-1	0	unknown	no
1	44	technician	single	secondary	no	29	yes	no	unknown	5	may	151	1	-1	0	unknown	no
2	33	entrepreneur	married	secondary	no	2	yes	yes	unknown	5	may	76	1	-1	0	unknown	no
3	47	blue-collar	married	unknown	no	1506	yes	no	unknown	5	may	92	1	-1	0	unknown	no
4	33	unknown	single	unknown	no	1	no	no	unknown	5	may	198	1	-1	0	unknown	no

展示后五条数据

data.tail()

	age	job	marital	education	default	balance	housing	loan	contact	day	month	duration	campaign	pdays	previous	poutcome	y
45206	51	technician	married	tertiary	no	825	no	no	cellular	17	nov	977	3	-1	0	unknown	yes
45207	71	retired	divorced	primary	no	1729	no	no	cellular	17	nov	456	2	-1	0	unknown	yes
45208	72	retired	married	secondary	no	5715	no	no	cellular	17	nov	1127	5	184	3	success	yes
45209	57	blue-collar	married	secondary	no	668	no	no	telephone	17	nov	508	4	-1	0	unknown	no
45210	37	entrepreneur	married	secondary	no	2971	no	no	cellular	17	nov	361	2	188	11	other	no

数据信息

包括数据的index，列名、空值和非空值计数等，可以为我们后面的数据处理和数据可视化分析做好铺垫。

data.info()

RangeIndex: 45211 entries, 0 to 45210
Data columns (total 17 columns):
 #   Column     Non-Null Count  Dtype 
---  ------     --------------  ----- 
 0   age        45211 non-null  int64 
 1   job        45211 non-null  object
 2   marital    45211 non-null  object
 3   education  45211 non-null  object
 4   default    45211 non-null  object
 5   balance    45211 non-null  int64 
 6   housing    45211 non-null  object
 7   loan       45211 non-null  object
 8   contact    45211 non-null  object
 9   day        45211 non-null  int64 
 10  month      45211 non-null  object
 11  duration   45211 non-null  int64 
 12  campaign   45211 non-null  int64 
 13  pdays      45211 non-null  int64 
 14  previous   45211 non-null  int64 
 15  poutcome   45211 non-null  object
 16  y          45211 non-null  object
dtypes: int64(7), object(10)
memory usage: 5.9+ MB

数据描述

包括了一些数值类型的数据描述，包括计数、平均值等，让我们更好的理解源数据

data.describe()

	age	balance	day	duration	campaign	pdays	previous
count	45211.000000	45211.000000	45211.000000	45211.000000	45211.000000	45211.000000	45211.000000
mean	40.936210	1362.272058	15.806419	258.163080	2.763841	40.197828	0.580323
std	10.618762	3044.765829	8.322476	257.527812	3.098021	100.128746	2.303441
min	18.000000	-8019.000000	1.000000	0.000000	1.000000	-1.000000	0.000000
25%	33.000000	72.000000	8.000000	103.000000	1.000000	-1.000000	0.000000
50%	39.000000	448.000000	16.000000	180.000000	2.000000	-1.000000	0.000000
75%	48.000000	1428.000000	21.000000	319.000000	3.000000	-1.000000	0.000000
max	95.000000	102127.000000	31.000000	4918.000000	63.000000	871.000000	275.000000

---

数据处理

经过上一步的数据预览，我们发现源数据并没有出现空值，又为我们的工作减轻了负担，接下来我们就对数据的重复值、异常值及一些我们不需要的数据进行处理（其实并无其他垃圾数据）：

删除previous、day、month三列数据

data.drop(columns=["day", "month", "previous"], inplace=True, axis=1)

查找重复值

data.duplicated().value_counts()

False    45211
dtype: int64

查找异常值—年龄大于120

data[data["age"] >= 120].count()

---

数据分析

数据展示分析

订购银行产品数据分析

可以看到，大量客户并不愿意订购银行提供的产品，只有11.7%的人说可以，这种巨大的差距可以表明人们的立场，大多数人更喜欢第三方平台或其他的金融产品（以我们为例：支付宝），后面将会更加深入研究影响人们订阅银行产品的原因。

data.y.value_counts()

no     39922
yes     5289
Name: y, dtype: int64

# 数据概况---人们是否愿意订购银行产品（Target）

# 画布*2
fig, axes = plt.subplots(nrows = 1,ncols = 2,figsize = (16,6))
# 饼图传入参数
y_pct = data.y.value_counts()*100/len(data)
# 条形图
plt.title("Univariate analysis of the target")
sns.countplot(x = "y", data = data, order = data["y"].value_counts().index, ax = axes[0])
# 饼状图
axes[1].pie(x = y_pct, autopct='%1.2f%%', labels = y_pct.index, shadow = True, explode=(0.1,0))
plt.show()

客户群体—年龄特征

从下kde分布图中可以看出，客户年龄峰值出现在30-40岁之间，这个年纪人们工作效率或者更愿意参与银行的活动，其次客户主要分布在30-60岁之间，可以集中把主要用户群体放在30-60岁的客户

# 数据概况---年龄分布

mean = data.age.mean()
median = data.age.median()
mode = data.age.mode().values[0]

plt.figure(figsize = (10, 6))
sns.histplot(data = data, x = data.age, kde = True)
plt.axvline(mean, color='r', linestyle='--', label="Mean")
plt.axvline(median, color='g', linestyle='-', label="Median")
plt.axvline(mode, color='#b5838d', linestyle='-', label="Mode")
plt.legend()
plt.show()

客户群体—工作种类

用户的工作类型和收入都会影响到人们存款、贷款及订阅产品的积极性。从图中可以看出，主要的用户群体是蓝领、管理者、技术人员、行政人员、和服务类工作人员，他们占据了8成以上的数量，从工作性质上也可以看出，他们更加需要银行提供的产品帮助，用于理财等。

data.job.value_counts()

blue-collar      9732
management       9458
technician       7597
admin.           5171
services         4154
retired          2264
self-employed    1579
entrepreneur     1487
unemployed       1303
housemaid        1240
student           938
unknown           288
Name: job, dtype: int64

# 数据概况---职位分布

job_pct = data.job.value_counts()*100/len(data)
fig, axes = plt.subplots(nrows = 1,ncols = 2,figsize = (20,6))
axes[0].pie(x=job_pct,autopct='%1.2f%%',labels = job_pct.index)
sns.barplot(x=data.job.value_counts().values, y=data['job'].value_counts().index, palette="hls",ax = axes[1])
plt.show()

客户群体—教育程度、个人贷款、房贷

不同教育程度的用户，他们接受银行营销产品的效果也完全不同，从图中可以看出，用户主要还是以中等教育为主，占比达到了50%以上，其次是高等教育的人群，将近30%。再从个人贷款和房贷方面来分析，没有个人贷款的人数占大多数，可以理解，因为具有个人贷款的客户可能没有富于的钱用于订阅银行产品，因此，可以把主要客户群体放在无个人贷款群体上。而房贷的有无数量相当，因为买房也可以看做是一种特殊的投资，所以有无房贷差别不大。

data.education.value_counts()

secondary    23202
tertiary     13301
primary       6851
unknown       1857
Name: education, dtype: int64

data.loan.value_counts()

no     37967
yes     7244
Name: loan, dtype: int64

# 数据概况---教育程度、贷款与否

edu_pct = data.education.value_counts()*100/len(data)
loan_pct = data.loan.value_counts()*100/len(data)
housing_pct = data.housing.value_counts()*100/len(data)

fig, axes = plt.subplots(nrows = 1,ncols = 3,figsize = (16,6))
axes[0].pie(x=edu_pct,autopct='%1.2f%%',shadow = True,explode=(0.06,0,0,0),startangle=90,labels = edu_pct.index)
axes[0].set_title('Job Pie Chart', fontdict={'fontsize': 14, 'color':'#41393E'})
axes[1].pie(x=loan_pct,autopct='%1.2f%%',shadow = True,explode=(0.08,0),startangle=90,labels = loan_pct.index)
axes[1].set_title('Loan Pie Chart', fontdict={'fontsize': 14,'color':'#41393E'})
axes[2].pie(x=housing_pct,autopct='%1.2f%%',shadow = True,explode=(0.08,0),startangle=90,labels = housing_pct.index)
axes[2].set_title('House loan Pie Chart', fontdict={'fontsize': 14,'color':'#41393E'})
plt.show()

前次活动数据分析

从下饼图和柱状图数据可以看出，绝大部分用户在上次活动中是unkonwn，成功的人数是最少的，间接说明了潜在用户群体庞大。

# 数据概况---前一次活动结果

precome_pct = data.poutcome.value_counts()*100/len(data)
fig, axes = plt.subplots(nrows = 1,ncols = 2,figsize = (16,6))
sns.countplot(x = "poutcome", data = data, order = data.poutcome.value_counts().index, ax = axes[0])
axes[1].pie(x = precome_pct, autopct = '%1.1f%%',shadow = True,explode=(0.1,0,0,0),startangle=90,labels = precome_pct.index)
plt.show()

年余额分析

存款也是银行的主要业务之一，可以看到客户主要年余额峰值在1000-2000欧元左右，还有少部分人年余额超过10000欧元以上，由此可见，用户的贫富差距还是挺大的，大量财富掌握在少数人手中。还有极少部分人余额是负值，推断应该是信誉极差的用户。

Q1,Q3 = np.percentile(data.balance,[25,75])
IQR = Q3 - Q1
Q1,Q3,IQR

(72.0, 1428.0, 1356.0)

# 数据概况---存款信息

fig, axes = plt.subplots(nrows = 1,ncols = 2,figsize = (16,6))
sns.histplot(data=data, x='balance', kde=True, color='#b5838d', ax=axes[0])
sns.boxplot(x = data.balance, ax = axes[1])
plt.show()

最后通话时长及活动联系次数分析

一般来说，营销产品还是取决于销售人员的推销效果，为此做出kde分布图。可以看到绝大部分用户通话时长在1000s以内，通话次数在10次以内，但是还存在通话时长超过1小时，通话次数超过60次的情况，一般存在三种情况：尊贵的会员、难缠的用户、老年人理解较差，可以适当减少这部分情况的发生概率，将更多数时间花在更有潜力的用户群体身上。

# 数据概况---通话时长及活动联系次数

fig, axes = plt.subplots(nrows = 1,ncols = 2,figsize = (16,6))
# 通话时间
mean_dura = data.duration.mean()
median_dura = data.duration.median()
mode_dura = data.duration.mode().values[0]
# 联系次数
mean_camp = data.campaign.mean()
median_camp = data.campaign.median()
mode_camp = data.campaign.mode().values[0]

sns.histplot(data = data, x = data.duration, kde = True, ax = axes[0])
axes[0].set_title('Duration Times', fontdict={'fontsize': 14})
axes[0].axvline(mean_dura, color='r', linestyle='--', label="Mean")
axes[0].axvline(median_dura, color='g', linestyle='-', label="Median")
axes[0].axvline(mode_dura, color='#b5838d', linestyle='-', label="Mode")
axes[0].legend()

sns.histplot(data = data, x = data.campaign, kde = True, ax = axes[1])
axes[1].set_title('Campaign Times', fontdict={'fontsize': 14})
axes[1].axvline(mean_camp, color='r', linestyle='--', label="Mean")
axes[1].axvline(median_camp, color='g', linestyle='-', label="Median")
axes[1].axvline(mode_camp, color='#b5838d', linestyle='-', label="Mode")
axes[1].legend()
plt.show()

影响因素分析

年龄与存款的联系

不同年龄段对存款的需求不同。我做出下联合分布图，并指定类型为回归分析，我们发现年存款在2000欧元左右的人数最多，并且各个年龄段的都有，主要集中在30-60岁之间，60岁以上的选择存款的人数相对较少，并且可以依稀看出置信区间应该也是在2000-3000欧元左右。

# 存款和年龄之间的关系
sns.jointplot(x="age", y="balance", data=data,kind = "reg")
plt.show()

年龄、存款、订购银行产品意愿

我们使用联合分布图将订购产品意愿作为核密度图分类，可以看出三者之间的关系，发现愿意订购银行产品的主要是30-40岁之间，存款20000欧元以内的，其中还有存款为负数的，应该注意他们的信用情况，避免不必要的损失；并且，绝大部分人还是不愿意订购银行产品，应该加强产品质量，提高优惠力度，收拢客户。

# 存款和年龄是否影响人们订购银行产品
sns.jointplot(x="age", y="balance",hue = "y",data=data)
plt.show()

职业分析

不同职业对银行业务需求不同。我们先对不同职业的存款情况进行总体分析，然后在对其中前三个订阅银行产品的人数较多的职业进行分析，因为那是我们的主要客户。

职业与存款

由于职业是分类类型数据，所以我们采用分类散点图进行分析，从散点图可以看出管理者、技术人员、蓝领、退休者四个职业类型的工作人员存款人数较多，而管理者还有存款超10万欧元的人数，而未知类型的工作类型者人数最少。

# 工作和存款的关系
plt.figure(figsize = (13,6))
sns.stripplot(x = data.job, y = data.balance)
plt.show()

我们使用箱线图将存款人数前五的工作类型进行展示分析，发现他们都有存款金额超过箱线图上限的，但是管理者职位的人员相对较多，金额大者也更加密集，我们还发现了只有行政人员并没有下限异常的数值。

plt.figure(figsize = (12,6))
top_jobs = (data.job.value_counts().sort_values(ascending=False).head(5).index.values)
sns.boxplot(y="job", x="balance", data=data[data.job.isin(top_jobs)], orient="h")
plt.show()

职业与银行订阅产品

我们发现在订阅银行产品的各个职业中，管理者、技术人员和蓝领三种类型的工作人员人数最多，而unknown、客房服务员和企业家三种类型工作人员最少，下面我们将对订阅银行产品人数前三的职业进行分析，确定我们主要用户群体。

# 工作对订购银行产品的影响
plt.figure(figsize = (10,6))
sns.countplot(data = data,y = data.job,hue = data.y,orient = "h",order = data.job.value_counts().index)
plt.show()

职业分析—管理者

可以从下面直方图看出，管理者婚姻状态大部分是已婚或者单身，他们的绝大部分是接受过高等教育的人群，并且在订购银行产品的管理者人群中，他们集中分布在20-60岁之间，其中30-40岁分布最密集，因此下次活动推广时，可以优先寻找接受过高等教育的单身或者已婚，年龄在30-40岁的管理者，他们更有可能会订购我们的产品。

# 分析职业---管理员
manage = data[(data["job"] == "management")]
manage_yes = manage[(manage["y"] == "yes")]
fig, axes = plt.subplots(nrows = 1,ncols = 2,figsize = (16,6))
sns.histplot(manage_yes["marital"],ax = axes[0])
sns.histplot(manage_yes["education"],ax = axes[1])
plt.show()

sns.jointplot(x = "age", y = "balance",hue = "y",data = manage_yes)
plt.show()

职业分析—技术人员

从下面的联合分布图和直方图可以看出，技术人员职业类型与管理者特征相似，大多都是已婚或者单身状态，订购银行产品的人群集中分布在20-60岁之间，其中30-40岁人群最为集中，不同的是，技术人员更多的学历是中等教育，其次是高等教育，他们接触到的社会层次可能没有那么高，也是银行营销策略的主要群体之一。

# 分析职业---技术人员
tech = data[(data["job"] == "technician")]
tech_yes = tech[(tech["y"] == "yes")]
fig, axes = plt.subplots(nrows = 1,ncols = 2,figsize = (16,6))
sns.histplot(tech_yes["marital"],ax = axes[0])
sns.histplot(tech_yes["education"],ax = axes[1])
plt.show()

sns.jointplot(x = "age", y = "balance",hue = "y",data = tech_yes)
plt.show()

职业分析 —蓝领

蓝领职业特征与上面两者相似，但教育也有很大一部分是初等教育阶段，年龄分布相对来说比较松散，没有管理者和技术人员职业那么集中。

# 分析职业---蓝领
bc = data[(data["job"] == "blue-collar")]
bc_yes = bc[(bc["y"] == "yes")]
fig, axes = plt.subplots(nrows = 1,ncols = 2,figsize = (16,6))
sns.histplot(bc_yes["marital"],ax = axes[0])
sns.histplot(bc_yes["education"],ax = axes[1])
plt.show()

sns.jointplot(x = "age", y = "balance",hue = "y",data = bc_yes)
plt.show()

教育水平、存款及订购银行产品

无论是存款、贷款还是订阅产品，跟一个人接收的教育程度都息息相关，所以我们分别使用散点图和联合分布图对人群教育程度进行分析。

散点图

可以看到接受过高等教育和中等教育的人群，无论在存款金额还是在订阅银行产品都有巨大的优势，但值得注意的是，unknown订阅产品的人数也比较多，需要跟进他们的信息，提供更好的服务，留下潜在客户。

# 教育水平和存款及订购银行产品的关系
plt.figure(figsize = (10,6))
sns.stripplot(x = data.education, y = data.balance, hue = data.y)
plt.show()

联合分布图

我们以接收的教育程度作为分类，具体的分析出他们所处的年龄段和存款多少，可以发现，绝大部分人的学历都是中等教育和高等教育，其中接收中等教育的人群是最多的，他们的年龄段都集中在20-60岁左右，顶峰在30-40岁之间，存款一般在20000欧元以下。

# 存款、教育和年龄三者的关系
sns.jointplot(x = "age", y = "balance", hue = "education", data = data)
plt.show()

房子贷款、存款和订购银行产品

我们探索房贷会不会也是影响银行主要业务的因素之一。可以发现有无房贷与银行存款和订阅产品并无太大关系，他们的数量占比相当。

# 房子贷款和存款及订购银行产品的关系
sns.stripplot(x = data.housing, y = data.balance, hue = data.y)
plt.show()

sns.jointplot(x = "age", y = "balance",hue = "housing",data = data)
plt.show()

个人贷款

一个人经济状况也会影响他们对银行业务的支持程度。我们可以发现没有个人贷款的人群他们更愿意订购银行产品，并且存款相对来说更多，所以可以把主要关注对象放在没有个人贷款的人群上

# 个人贷款
sns.stripplot(x = "loan", y = "balance", hue = "y",data = data)
sns.jointplot(x ="age" , y = "balance",hue = "loan",data = data)
plt.show()

最后联系日距今时长和通话时长

推销手段和服务态度也有可能会影响客户的决定。可以看到最后联系日距今天数对于客户的影响不大，而通话时间在1000s左右，客户更加愿意订阅银行产品，所以应该注意通话时间，既要保证向客户介绍完全，时间又不能太长，1000s左右最佳。

# 上次联系时间
sns.jointplot(x = "pdays", y = "balance",hue = "y",data = data)
sns.jointplot(x="duration", y="balance", hue = "y", data=data)
plt.show()

多个数字变量分布关系

# 数字类型分析
sns.pairplot(data = data[["age", "balance", "duration", "campaign", "y"]], hue = 'y')
plt.show()

---

分析总结

经过上述分析，为了加强客户群体对银行的业务的支持力度，增加客户订阅银行相关产品的概率，他们应该具备以下一些特征：

1. 首先应该选择管理者、技术人员、蓝领、行政人员这几类职业的工作人员，他们更有可能加入银行业务
2. 其次，应该在这些职业中重点关注高等教育和中等教育的人群
3. 第三，他们的婚姻状态应该是已婚或者未婚，这两个婚姻状态在订购银行业务占比最高
4. 他们的年龄主要分布在20-60岁，分布最密集的是30-40岁的区间
5. 他们最好没有个人贷款，至于房贷，那是无所谓的，因为买房也类似一种投资
6. 营销活动的通话时间最好控制在1000s之内