簡介面向需要完成Python課程設(shè)計、畢業(yè)設(shè)計或期末大作業(yè)的學(xué)生提供一套完整的學(xué)生校園消費行為分析項目。包內(nèi)包含可編譯運行的Python源碼、校園消費數(shù)據(jù)集以及詳細文檔說明核心代碼分為初始化、模型和分析模塊并基于DFM模型展開消費行為研究配套docx說明和README文檔可快速理解整體架構(gòu)與設(shè)計思路目錄結(jié)構(gòu)清晰便于二次開發(fā)與調(diào)試。壓縮包共8個文件涵蓋py源碼、txt依賴說明、docx文檔、md說明及zip數(shù)據(jù)集等整體大小約10.07MB輕量且便于本地部署。項目內(nèi)容已經(jīng)過助教審定評審得分98分目前已有141人學(xué)習(xí)使用。下載后可獲得可復(fù)現(xiàn)的數(shù)據(jù)清洗、特征分析、模型構(gòu)建與結(jié)果可視化流程以及文檔撰寫參考既能滿足課程設(shè)計與期末大作業(yè)的交付要求也可作為畢業(yè)設(shè)計的起點擴展更多分析維度。1. 基于Python的學(xué)生校園消費行為分析課程設(shè)計怎么做才能拿到高分很多同學(xué)拿到“基于Python的學(xué)生校園消費行為分析”這個題目第一反應(yīng)是畫幾張餅圖和柱狀圖把日均消費額算出來文檔湊夠四十頁結(jié)果答辯時評委一句“你這個結(jié)論對學(xué)校管理有什么參考價值”就直接卡殼。這個項目的得分點從來不在圖表數(shù)量而在三條線上數(shù)據(jù)清洗是否嚴(yán)謹(jǐn)、分析邏輯是否閉環(huán)、結(jié)論能否落回校園場景。本文用一套可復(fù)現(xiàn)的流程把一卡通流水變成一份能支撐“規(guī)律型學(xué)生”“夜間活躍型學(xué)生”等結(jié)論的分析報告。適合正在做課程設(shè)計、畢業(yè)設(shè)計或者想拿這個題練手 Python 數(shù)據(jù)分析的從業(yè)者。2. 消費行為分析的指標(biāo)體系少畫幾張圖先把“行為”拆成可計算的字段2.1 從原始流水到特征消費行為的四個基本維度學(xué)生校園消費行為聽起來抽象但落到一卡通流水里可計算的維度無非四個消費金額、消費頻次、消費時段、消費場景。這四個維度不是拍腦袋定的而是由數(shù)據(jù)字段天然決定的。一卡通流水的典型字段包括學(xué)號、交易時間、交易類型消費、充值、退款、商戶名稱或者商戶類別、交易金額。學(xué)號對應(yīng)“誰在消費”交易時間對應(yīng)“什么時候消費”金額對應(yīng)“花了多少”商戶類別對應(yīng)“在哪兒消費”。你的分析體系應(yīng)當(dāng)圍繞這四個維度展開每一項都要能回答一個具體問題。維度原始字段派生特征能回答的問題消費金額交易金額日均消費、月均消費、單筆金額分布學(xué)生整體消費水平如何是否存在極端高消費消費頻次交易時間日消費次數(shù)、月消費次數(shù)學(xué)生多久去食堂一次是否頻繁在校內(nèi)消費消費時段交易時間早餐/午餐/晚餐/夜宵時段消費占比學(xué)生的作息規(guī)律如何夜間消費是否活躍消費場景商戶名稱食堂消費占比、超市消費占比、其他消費占比學(xué)生的錢主要花在哪兒飲食占比是否合理有了這個表你的項目結(jié)構(gòu)就清晰了。后續(xù)每一步分析都是圍繞這四個維度中的一個或者幾個展開。評委問“你這張圖說明了什么”你就能用“這說明學(xué)生在晚上九點后還有明顯的消費需求可能與圖書館閉館后的夜宵場景相關(guān)”這類話回應(yīng)而不是說“這個圖就是想展示一下分布”。2.2 分析方法的選型統(tǒng)計描述、聚類與關(guān)聯(lián)規(guī)則怎么取舍數(shù)據(jù)分析方法很多但不是所有方法都適合這個題目。校園消費數(shù)據(jù)有自己的特點量大但字段簡單個體差異存在但規(guī)律相對穩(wěn)定沒有商品級明細導(dǎo)致關(guān)聯(lián)規(guī)則挖掘的價值有限。常見做法是以統(tǒng)計描述打底用聚類做人群分層用簡單的時序分析看趨勢。統(tǒng)計描述包括均值、中位數(shù)、分位數(shù)、標(biāo)準(zhǔn)差、頻數(shù)分布這些足夠回答“整體消費水平如何”的問題。聚類用 KMeans把學(xué)生按消費特征分成若干群體這是項目最出彩的部分因為能衍生出“畫像”這個概念。關(guān)聯(lián)規(guī)則Apriori在這個題里很容易翻車校園一卡通的流水通常只記錄到商戶類別比如“第一食堂”“超市”沒有精確到“買了雞腿飯還是麻辣燙”挖掘出的規(guī)則往往是“早餐時段買豆?jié){的人也會買包子”這類樸素結(jié)論說服力不足。我的建議是主體用“統(tǒng)計描述 聚類 按周/月趨勢”關(guān)聯(lián)規(guī)則可以作為擴展分析寫進文檔的“進一步研究方向”不要作為主結(jié)論。這樣既避免了 Apriori 在稀疏數(shù)據(jù)上跑不出有效規(guī)則的尷尬又能把項目重心放在數(shù)據(jù)清洗和分析閉環(huán)上。2.3 數(shù)據(jù)集的形態(tài)與讀入先看懂字段再寫代碼拿到數(shù)據(jù)集后第一件事不是寫 pandas 讀入而是用文本編輯器打開原始 CSV 看前二十行。這個習(xí)慣能避免后面至少三個坑。公開數(shù)據(jù)集和課程設(shè)計數(shù)據(jù)集的字段命名差異很大有的叫student_id有的叫學(xué)號有的叫UserID交易時間有的帶時區(qū)有的精確到秒有的只有日期。以下是一份典型的學(xué)生校園消費記錄 CSV 的形態(tài)字段名用了英文便于代碼書寫字段名類型示例值說明student_id字符串S20230001學(xué)號已脫敏trade_time字符串2023-09-04 07:32:15交易時間trade_type字符串消費 / 充值 / 退款交易類型merchant字符串第一食堂 / 校園超市商戶名稱amount浮點數(shù)8.50交易金額單位元注意trade_type字段。很多項目在清洗時把注意力全放在金額和時間上忽略了交易類型結(jié)果把充值記錄當(dāng)成消費記錄統(tǒng)計人均消費直接翻倍。這類細節(jié)正是評分時區(qū)分“認(rèn)真做完”和“敷衍交差”的地方。數(shù)據(jù)集規(guī)模通常在幾萬到幾十萬行之間完全在 pandas 的處理能力之內(nèi)不需要引入 Spark 之類的重型工具一臺普通筆記本足夠跑完整個流程。3. 用 pandas 清洗校園消費流水從原始 CSV 到可供分析的特征表3.1 構(gòu)造本地演示數(shù)據(jù)集先造一份可控數(shù)據(jù)再替換你的真實數(shù)據(jù)正式寫清洗代碼前我習(xí)慣先造一份小規(guī)模的模擬數(shù)據(jù)。這么做有兩個理由一是公開數(shù)據(jù)集脫敏后的字段和你的需求未必完全一致模擬數(shù)據(jù)可以保證流程可復(fù)現(xiàn)二是在模擬數(shù)據(jù)上調(diào)試代碼出錯時你能立刻判斷是代碼問題還是數(shù)據(jù)問題。下面這段代碼生成 2000 條模擬消費記錄覆蓋了后續(xù)清洗要處理的各類臟數(shù)據(jù)。import pandas as pd import numpy as np from datetime import datetime, timedelta # 固定隨機種子保證示例可復(fù)現(xiàn) np.random.seed(42) # 生成 200 名學(xué)生每名學(xué)生產(chǎn)生約 10 條記錄 student_ids [fS2023{i:04d} for i in range(1, 201)] merchants [第一食堂, 第二食堂, 校園超市, 咖啡廳, 水果店] trade_types [消費, 充值, 退款] records [] for sid in student_ids: n_records np.random.randint(8, 15) # 每位學(xué)生的消費時間集中在 9 月的 30 天內(nèi) start_date datetime(2023, 9, 1) timedelta(daysnp.random.randint(0, 20)) for _ in range(n_records): trade_time start_date timedelta( hoursnp.random.choice([7, 8, 11, 12, 17, 18, 21, 22]), minutesnp.random.randint(0, 60) ) trade_type np.random.choice(trade_types, p[0.85, 0.10, 0.05]) amount round(np.random.uniform(2.0, 25.0), 2) # 退款金額設(shè)置為負數(shù)方便后面測試清洗邏輯 if trade_type 退款: amount -amount records.append([sid, trade_time.strftime(%Y-%m-%d %H:%M:%S), trade_type, np.random.choice(merchants), amount]) df pd.DataFrame(records, columns[student_id, trade_time, trade_type, merchant, amount]) # 故意混入少量臟數(shù)據(jù)空學(xué)號、空金額、異常時間 df.loc[10, student_id] None df.loc[20, amount] None df.loc[30, trade_time] 2023/13/45 25:61:00 df.to_csv(campus_consumption.csv, indexFalse) print(df.head())這段代碼生成的數(shù)據(jù)里藏了三類臟數(shù)據(jù)空學(xué)號、空金額和一個非法時間字符串。p參數(shù)在np.random.choice里表示各類型被選中的概率85% 的記錄是消費10% 是充值5% 是退款這樣構(gòu)造出的數(shù)據(jù)比例與真實一卡通流水比較接近。當(dāng)你拿到真實數(shù)據(jù)集后把read_csv的文件路徑換掉即可清洗代碼保持不變。3.2 清洗流程空值、非法時間與交易類型過濾清洗的核心原則是“能不刪的不刪必須刪的說明原因”。每一處刪除操作都要在文檔里寫一句理由這會讓項目報告顯得專業(yè)。下面的代碼處理空值和非法時間并按交易類型拆出消費記錄。import pandas as pd # 讀入數(shù)據(jù)指定時間列先不做解析保留原始字符串便于排查 df pd.read_csv(campus_consumption.csv, dtype{student_id: str}) # 1. 刪除學(xué)號為空的行 before len(df) df df.dropna(subset[student_id]) print(f刪除空學(xué)號 {before - len(df)} 行剩余 {len(df)} 行) # 2. 刪除金額為空或金額為 0 的行金額為 0 的交易不構(gòu)成消費行為 before len(df) df df[(df[amount].notna()) (df[amount] ! 0)] print(f刪除空金額/零金額 {before - len(df)} 行剩余 {len(df)} 行) # 3. 用 errorscoerce 解析時間解析失敗會變成 NaT df[trade_time] pd.to_datetime(df[trade_time], errorscoerce) before len(df) df df.dropna(subset[trade_time]) print(f刪除非法時間 {before - len(df)} 行剩余 {len(df)} 行) # 4. 保留消費記錄充值、退款單獨建表 consume_df df[df[trade_type] 消費].copy() recharge_df df[df[trade_type] 充值].copy() refund_df df[df[trade_type] 退款].copy() # 5. 金額轉(zhuǎn) float并按常理過濾單筆超過 500 元的異常消費 consume_df[amount] consume_df[amount].astype(float) consume_df consume_df[consume_df[amount] 500] print(f消費記錄 {len(consume_df)} 條充值 {len(recharge_df)} 條退款 {len(refund_df)} 條)這里有個參數(shù)值得細說errorscoerce讓to_datetime在遇到2023/13/45 25:61:00這類非法字符串時返回NaTNot a Time而不是直接拋異常終止腳本。這個處理方式保證了清洗流程能一口氣跑完失敗的行統(tǒng)一在下一步被過濾掉而不是程序中斷后你還要手動定位是哪一行出了問題。單筆 500 元的閾值不是拍腦袋定的。學(xué)生校園消費的場景里食堂單筆一般不超過 50 元超市單筆通常不超過 200 元超過 500 元的記錄大概率是設(shè)備誤刷或者測試數(shù)據(jù)。閾值可以按你的數(shù)據(jù)集調(diào)整但必須在文檔里注明依據(jù)。3.3 時間特征抽取與消費時段分組把流水變成分析表清洗后的數(shù)據(jù)還只是一張流水賬沒法直接做人群分析。接下來要做特征工程從trade_time里抽出小時、星期、是否工作日再把小時映射到早中晚等消費時段。這一步是連接“數(shù)據(jù)”和“行為”的橋梁。# 從 trade_time 抽取時間特征 consume_df[hour] consume_df[trade_time].dt.hour consume_df[weekday] consume_df[trade_time].dt.weekday # 0周一, 6周日 consume_df[is_weekend] consume_df[weekday].isin([5, 6]).astype(int) # 定義時段映射函數(shù)把 24 小時壓縮成 5 個消費時段 def time_period(hour): if 6 hour 9: return 早餐 elif 11 hour 14: return 午餐 elif 17 hour 20: return 晚餐 elif 20 hour 24: return 夜宵 else: return 非正餐 consume_df[period] consume_df[hour].apply(time_period) # 查看時段分布確認(rèn)劃分是否合理 period_stats consume_df.groupby(period)[amount].agg([count, sum, mean]) print(period_stats)時段劃分的邊界值看上去是幾個區(qū)間實際上每條邊界都在對應(yīng)學(xué)校的作息制度。早餐區(qū)間 6 到 9 點覆蓋早課前的用餐高峰午餐 11 到 14 點覆蓋下課后的錯峰用餐晚餐 17 到 20 點同理夜宵 20 到 24 點捕捉的是晚自習(xí)或圖書館閉館后的消費行為。如果你的數(shù)據(jù)集來自一所作息差異很大的學(xué)校邊界值可以調(diào)整但調(diào)整后要在文檔里說明原因。24 點之后的零散消費歸入“非正餐”避免深夜兩三點的個別記錄污染時段分布的可讀性。3.4 生成中間特征表把按人聚合的數(shù)據(jù)落盤清洗和時段劃分完成之后需要生成兩張中間表。一張是按人聚合的消費特征表用于后續(xù)聚類分析另一張是按天聚合的時序表用于看整體趨勢。中間表落盤為 CSV 文件后面所有可視化直接讀中間表不用每次重復(fù)跑清洗邏輯。# 按學(xué)生聚合每位學(xué)生的消費行為特征 student_features consume_df.groupby(student_id).agg( total_amount(amount, sum), # 總消費金額 total_count(amount, count), # 消費次數(shù) avg_amount(amount, mean), # 單筆平均消費 active_days(trade_time, nunique), # 消費活躍天數(shù) night_count(period, lambda x: (x 夜宵).sum()), # 夜宵次數(shù) breakfast_count(period, lambda x: (x 早餐).sum()) ).reset_index() # 新增派生特征平均每天消費次數(shù) 總次數(shù) / 活躍天數(shù) student_features[daily_freq] round( student_features[total_count] / student_features[active_days], 2 ) # 按天聚合整體消費趨勢 daily_trend consume_df.groupby(consume_df[trade_time].dt.date).agg( daily_amount(amount, sum), daily_count(amount, count) ).reset_index() daily_trend.columns [date, daily_amount, daily_count] student_features.to_csv(student_features.csv, indexFalse) daily_trend.to_csv(daily_trend.csv, indexFalse) print(student_features.head())groupby(student_id).agg里的每一列都在回答一個問題total_amount回答“這位學(xué)生 30 天總共花了多少”night_count回答“這位學(xué)生有多少次夜間消費”active_days回答“這位學(xué)生有幾天真的在校內(nèi)消費”。生成的特征表是后續(xù)聚類的直接輸入列名的可解釋性直接影響你寫報告時的效率。別用col1、col2這種命名三天后你自己都看不懂。4. 可視化與消費畫像聚類讓圖表替你說話讓結(jié)論經(jīng)得起追問4.1 全局消費規(guī)律可視化先看分布再看均值很多人的第一張圖就是均值柱狀圖這沒錯但不夠。均值的背后可能是大部分學(xué)生花得很少、極少數(shù)學(xué)生天天買咖啡刷出來的虛高。所以第一步要先畫分布圖消費金額的直方圖和消費時段的折線圖。分布圖能暴露異常也能為聚類提供前置判斷。import matplotlib.pyplot as plt import pandas as pd # 讀取清洗后的數(shù)據(jù) consume_df pd.read_csv(consume_clean.csv, parse_dates[trade_time]) # 中文字體設(shè)置macOS 用 Arial Unicode MSWindows 用 SimHei plt.rcParams[font.sans-serif] [SimHei, Arial Unicode MS] plt.rcParams[axes.unicode_minus] False fig, axes plt.subplots(1, 2, figsize(14, 5)) # 左圖單筆消費金額分布截斷到 50 元以內(nèi)更易讀 ax1 axes[0] consume_df[consume_df[amount] 50][amount].hist( bins30, axax1, edgecolorwhite, color#4C72B0 ) ax1.set_title(單筆消費金額分布0-50 元) ax1.set_xlabel(金額元) ax1.set_ylabel(交易筆數(shù)) # 右圖按時段的消費筆數(shù)趨勢 ax2 axes[1] period_order [早餐, 午餐, 晚餐, 夜宵, 非正餐] period_counts consume_df[period].value_counts().reindex(period_order) period_counts.plot(kindline, markero, axax2, color#C44E52, linewidth2) ax2.set_title(各時段消費筆數(shù)分布) ax2.set_xlabel(時段) ax2.set_ylabel(消費筆數(shù)) ax2.grid(alpha0.3) plt.tight_layout() plt.savefig(consumption_overview.png, dpi150) plt.show()直方圖的bins30表示把 0 到 50 元的區(qū)間切成 30 個等寬區(qū)間區(qū)間越多越能看到細粒度分布但過多會導(dǎo)致相鄰柱子的高度抖動劇烈。我一般先設(shè) 30如果圖形鋸齒感太強就降到 15 到 20。右圖用折線而不是柱狀是因為時段之間有先后順序折線能直觀展示“早中晚三個主峰”的形態(tài)。兩張圖一張管金額分布是否健康一張管作息規(guī)律是否清晰答辯開場講這兩張圖就足夠建立“我做過數(shù)據(jù)分析”的印象了。4.2 用 FMT 特征給學(xué)生分層KMeans 聚類與畫像解讀學(xué)生個體之間的消費差異很大直接看整體均值會把結(jié)論都拉平。聚類分析的價值是把學(xué)生分成幾類人每類人有清晰的消費標(biāo)簽。特征選擇用“頻次-金額-時段”三個方向也就是 student_features 里的total_count、total_amount、night_count。這三個字段分別代表活躍度、消費力、作息偏好。from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler import pandas as pd # 讀中間特征表提取聚類特征 features pd.read_csv(student_features.csv) X features[[total_count, total_amount, night_count]].copy() # 標(biāo)準(zhǔn)化三步完成先擬合再轉(zhuǎn)換避免數(shù)據(jù)泄漏 scaler StandardScaler() X_scaled scaler.fit_transform(X) # 用輪廓系數(shù)選 K遍歷 2~6 類取輪廓系數(shù)最大的 K from sklearn.metrics import silhouette_score best_k, best_score 2, -1 for k in range(2, 7): km KMeans(n_clustersk, random_state42, n_init10) labels km.fit_predict(X_scaled) score silhouette_score(X_scaled, labels) print(fK{k}, 輪廓系數(shù){score:.4f}) if score best_score: best_k, best_score k, score print(f最優(yōu)聚類數(shù): {best_k}, 輪廓系數(shù): {best_score:.4f}) # 用最優(yōu) K 重新聚類并把標(biāo)簽合并回原表 km KMeans(n_clustersbest_k, random_state42, n_init10) features[cluster] km.fit_predict(X_scaled) # 查看每個簇的特征均值用于給畫像命名 cluster_profile features.groupby(cluster)[ [total_count, total_amount, night_count] ].mean().round(2) print(cluster_profile)StandardScaler這段代碼值得解釋一下fit是計算均值和標(biāo)準(zhǔn)差transform是應(yīng)用標(biāo)準(zhǔn)化公式減去均值再除以標(biāo)準(zhǔn)差。KMeans 基于歐氏距離如果金額字段的量綱遠大于計數(shù)次數(shù)字段聚類結(jié)果會被金額主導(dǎo)導(dǎo)致“每天花 50 元但只去一次食堂”的學(xué)生和“每天花 60 元去三次食堂”的學(xué)生被分到一起這顯然不符合直覺。標(biāo)準(zhǔn)化之后三個特征的均值都是 0、方差都是 1每個維度在距離計算中的權(quán)重才平等。random_state42保證每次運行結(jié)果一致n_init10表示用 10 組不同的初始質(zhì)心跑 10 次、取最優(yōu)避免 KMeans 掉進局部最優(yōu)解。輪廓系數(shù)不是一個絕對標(biāo)準(zhǔn)它衡量樣本與自身簇的相似度高于與最近鄰簇的程度取值范圍在 -1 到 1 之間。校園消費數(shù)據(jù)的輪廓系數(shù)通常在 0.3 到 0.5 之間超過 0.5 已經(jīng)算結(jié)構(gòu)清晰。如果跑出來只有 0.2說明聚類結(jié)構(gòu)不明顯這時候優(yōu)先檢查特征選擇而非盲目加簇數(shù)。4.3 從圖表到文檔結(jié)論寫一段經(jīng)得起追問的分析聚類跑完后給每類學(xué)生貼標(biāo)簽。這一步很多人做得粗糙直接寫“類別 0 的學(xué)生消費高、類別 1 的學(xué)生消費低”這等于把表格抄成了文字沒有任何價值。貼標(biāo)簽的核心是結(jié)合原始業(yè)務(wù)讓每個標(biāo)簽都能被一句場景描述支撐。聚類編號total_count 均值total_amount 均值night_count 均值畫像標(biāo)簽018.2172.56.8規(guī)律三餐型高頻、消費適中、偶有夜宵110.496.31.2節(jié)約型低頻、低額、極少夜間消費215.6240.112.5夜間活躍型消費高、夜間消費突出37.8310.62.1高客單型低頻但單筆金額高每組畫一個雷達圖或者橫向柱狀圖放進報告中圖下面寫兩到三句話的解讀。例如“夜間活躍型學(xué)生消費總金額僅次于高客單型但消費頻次遠高于后者說明該群體的消費主要由頻繁的小額夜宵構(gòu)成校園在夜宵時段的服務(wù)供給可能需要加強”。這樣的句子才是評委想看的它把圖表轉(zhuǎn)了結(jié)論又把結(jié)論落了業(yè)務(wù)建議。5. 常見問題與避坑指南讓項目在答辯前不翻車的 5 條經(jīng)驗5.1 時間解析失敗后整列變 NaT聚合結(jié)果全變空現(xiàn)象跑完分組聚合發(fā)現(xiàn)按小時統(tǒng)計的結(jié)果全是空值groupby出來只有行索引沒有數(shù)值。原因CSV 里混入了一行2023/13/45 25:61:00這樣的臟數(shù)據(jù)而你沒有用errorscoercepandas 在解析時直接拋異?；蛘甙堰@列全轉(zhuǎn)成了 NaT。更隱蔽的情況是數(shù)據(jù)集里大部分時間是2023-09-01格式但某個月份的導(dǎo)出變成了2023/9/1格式混用導(dǎo)致解析不一致。解決讀入時先以字符串格式讀入再統(tǒng)一走pd.to_datetime(..., errorscoerce)。清洗邏輯永遠保留“解析前原始字符串”和“解析后時間類型”兩列方便排查具體哪一行出了問題。我習(xí)慣是在清洗后打印df[trade_time].isna().sum()確認(rèn) NaT 數(shù)量與預(yù)期一致再繼續(xù)往下走。5.2 充值記錄混入消費統(tǒng)計人均消費虛高一倍現(xiàn)象按天統(tǒng)計消費金額時某天的日消費總額超過平時數(shù)倍畫出來的趨勢圖出現(xiàn)一個不合理的尖峰。原因原始流水里充值和消費是混在一起的。學(xué)生開學(xué)初集中充值 200 到 500 元這筆錢會出現(xiàn)在當(dāng)天流水里但性質(zhì)上不是消費。如果你在清洗時只按“金額大于 0”過濾充值記錄就混進了消費數(shù)據(jù)。日均消費被拉高聚類時也會冒出虛假的高消費群體。解決清洗階段必須按trade_type字段分流消費、充值、退款各建一張表。后續(xù)所有關(guān)于“消費行為”的分析嚴(yán)格使用consume_df。充值金額可以做獨立的“充值行為分析”顯示學(xué)生的充值習(xí)慣但不要和消費混在一張表里討論。同理退款金額為負數(shù)如果清洗時粗暴地按“金額大于 0”過濾會把退款記錄全刪掉丟失掉異常處理的信息。5.3 Matplotlib 中文亂碼柱狀圖標(biāo)題變成方塊現(xiàn)象圖表標(biāo)題、坐標(biāo)軸標(biāo)簽里的中文全顯示成方塊截圖放進文檔里很難看。原因Matplotlib 默認(rèn)字體不含中文字符集系統(tǒng)里也沒有找到可用的中文字體。這個問題在 Windows 和 macOS 上的表現(xiàn)不同Windows 上通常是 SimHei 缺失或者未注冊macOS 上則要指定PingFang SC之類的字體名。解決繪圖腳本開頭固定寫兩行配置plt.rcParams[font.sans-serif] [SimHei, Arial Unicode MS, PingFang SC] plt.rcParams[axes.unicode_minus] False如果改了字體名還是亂碼用matplotlib.font_manager.fontManager.ttflist打印當(dāng)前環(huán)境可用的字體列表從中挑一個支持中文的字體名填進去。項目文檔里注明“繪圖時使用的中文字體已在腳本頭部統(tǒng)一配置”也能避免評委在自己的電腦上重新運行腳本時遇到同樣的亂碼問題而扣分。5.4 KMeans 聚類前忘記標(biāo)準(zhǔn)化結(jié)果變成“金額獨裁”現(xiàn)象聚類跑出來后每個簇的金額差異巨大但消費次數(shù)幾乎相同畫像標(biāo)簽只有一個維度能區(qū)分。原因total_amount的數(shù)值范圍是幾十到幾百total_count是幾次到幾十次兩個特征在歐氏距離計算中的權(quán)重天然差異懸殊。金額的絕對差會主導(dǎo)距離導(dǎo)致 KMeans 按照金額高低把學(xué)生切開其他維度形同虛設(shè)。解決StandardScaler標(biāo)準(zhǔn)化后再進入 KMeans。標(biāo)準(zhǔn)化后的特征均值是 0、標(biāo)準(zhǔn)差是 1維度之間距離貢獻一致。注意先fit再transform不要在fit_transform之后再手動除以什么值。用一個簡單的對比實驗驗證標(biāo)準(zhǔn)化前跑一次聚類標(biāo)準(zhǔn)化后再跑一次對比兩次每個簇的特征均值你會看到標(biāo)準(zhǔn)化對聚類結(jié)果的改變非常明顯這個對比可以寫進項目文檔作為方法選型的依據(jù)。5.5 將“退款”當(dāng)異常值直接刪除把好數(shù)據(jù)也刪了現(xiàn)象清洗后的數(shù)據(jù)量比原始數(shù)據(jù)少了近三分之一退款相關(guān)的分析完全做不了。原因很多人在清洗階段守則里寫了“金額為負數(shù)是異常值直接過濾”但這個規(guī)則在校園消費數(shù)據(jù)里不成立。退款記錄在流水里通常表現(xiàn)為負數(shù)但它是真實的業(yè)務(wù)行為比如食堂多扣款后的退回飯卡掛失后的余額退回。解決刪除異常值的規(guī)則要結(jié)合trade_type字段而不是只看金額正負。退款記錄單獨建表可以分析退款率、退款金額占消費金額比例這些指標(biāo)甚至可以作為項目里的一個加分分析點。凡是做數(shù)據(jù)清洗都要養(yǎng)成一個習(xí)慣每條過濾規(guī)則寫在文檔里注明“過濾了什么、為什么過濾、過濾了多少行”。6. 讓項目從“交差”變成“作品”目錄設(shè)計、文檔結(jié)構(gòu)與三個加分點6.1 代碼目錄的三層分離項目代碼不要只有一個 Jupyter Notebook 文件。評委打開一個.ipynb文件看到一千行代碼和幾十張圖第一反應(yīng)是這個項目沒有工程化。我一般會把代碼拆成三層目錄campus_consumption_analysis/ ├── data/ # 原始數(shù)據(jù)與中間數(shù)據(jù) │ ├── raw/ │ └── processed/ ├── src/ # 可復(fù)用模塊 │ ├── data_clean.py # 清洗邏輯 │ ├── features.py # 特征工程 │ ├── analysis.py # 統(tǒng)計與聚類 │ └── visualize.py # 繪圖封裝 ├── output/ # 圖表與結(jié)果表格 │ └── figures/ └── docs/ # 詳細文檔s人名目錄里的每個模塊只干一件事模塊之間通過“讀中間表、寫中間表”銜接。這樣做的直接收益是你在文檔里寫“數(shù)據(jù)清洗步驟詳見 src/data_clean.py”答辯時可以當(dāng)場演示修改清洗參數(shù)后重新跑通全流程這在評委眼里是實打?qū)嵉哪芰ψC明。6.2 詳細文檔的核心組織邏輯“詳細文檔說明”是這個標(biāo)題里最容易湊字?jǐn)?shù)的部分也是拉開差距的部分。一份能拿高分的文檔通常包含項目背景與數(shù)據(jù)說明、清洗規(guī)則逐條說明包含閾值選取依據(jù)、分析方法選型理由、可視化結(jié)果解讀、聚類畫像的業(yè)務(wù)解釋、局限與改進方向。每一章都要能和代碼對應(yīng)上文檔里出現(xiàn)一個結(jié)論代碼里就要有一條能生成這個結(jié)論的路徑。我最看重的章節(jié)是“清洗規(guī)則說明”和“分析方法選型理由”。這兩章直接向評委傳遞一個信號這個數(shù)據(jù)集中有哪些坑我識別到了并且有應(yīng)對方案。把清洗規(guī)則列成一張帶“原因”列和“影響行數(shù)”列的表格比寫兩頁散文有說服力得多。6.3 三個答辯加分點第一個加分點是參數(shù)可配置。把清洗閾值、時段劃分邊界、聚類簇數(shù)都放到一個config.py文件里文檔里注明“調(diào)整 config.py 中的MAX_AMOUNT參數(shù)即可復(fù)用于不同學(xué)校的數(shù)據(jù)集”。第二個加分點是函數(shù)層面的注釋和類型注解。給關(guān)鍵函數(shù)寫 docstring說明參數(shù)范圍和返回值含義不追求花哨但每段代碼的意圖要清楚。第三個加分點是異常消費預(yù)警的簡單規(guī)則。在聚類結(jié)果上加一個“夜間消費占比過高”的規(guī)則篩選出需要關(guān)注的作息異常學(xué)生群體這相當(dāng)于給項目增加了一個應(yīng)用場景答辯時提一句“這個結(jié)果可以為輔導(dǎo)員提供參考”就很加分。我最初做這個題目時把大量時間花在了調(diào)圖表配色和排版上結(jié)果被評委一句“你的清洗規(guī)則是什么”問住了。后來重做從字段檢查到聚類結(jié)果解讀每一步都有記錄反而輕松很多。數(shù)據(jù)類項目真正經(jīng)得起追問的從來不是代碼寫得多花哨而是每條結(jié)論都能溯源到一行數(shù)據(jù)、一段代碼、一處決策。希望這個完整的分析流程能幫你在做這個項目時少走幾步彎路。項目里的“異常消費預(yù)警”規(guī)則我用的是一組簡單的閾值組合比如單日消費頻次超過 8 次、連續(xù)三天夜間消費且金額遞增篩選結(jié)果保存成 CSV 后在文檔里做案例展示。這套規(guī)則不復(fù)雜但它能把前面所有的特征工程串成一條看得見的應(yīng)用鏈祝你順利。本文還有配套的精品資源點擊獲取