相信经常做数据分析的同学都听说过Cohort 分析，特别是互联网运营中，用于分析客户存留等场景，以往这种分析大都借助SQL Excel完成。
最近在尝试学习 Cohort 用户存留分析时，找到了国外一个数据分析爱好者Cohort 存留分析的Python版本完整代码，并且很良心到的提供了练习数据，作为一个R比Python要熟练的菜鸟分析师，自然是首先想到如何把这个代码翻译成R版本。
http://www.gregreda.com/2015/08/23/cohort-analysis-with-python/
终于功夫不顾有心人，忙活了一天用R语言代码还原了这个Cohort分析的R语言版本，这里分享给大家，代码不佳之处，敬请见谅，只是一个demo，还没有做封装。
代码语言：javascript复制library('xlsx')
library('ggplot2')
library('dplyr')
library('magrittr')
library('tidyr')
library('reshape2')1、数据导入：
代码语言：javascript复制setwd("D:/R/File/")
df <- read.xlsx('relay-foods.xlsx', sheetName = 'Purchase Data')
2、数据清洗：
存留分析使用到的字段只有购买日期、用户ID等信息，分析月度存留，需要将日期规范化成年月形式，同时按照客户id分组，计算出用户首次购买的日期，代码如下：
2.1 创建购买月份字段
代码语言：javascript复制df$OrderPeriod = format(df$OrderDate,'%Y-%m') #购买日期2.2 创建用户首次购买字段
代码语言：javascript复制CohortGroup = df %>% group_by(UserId) %>%
summarize( CohortGroup = min(OrderDate))
#计算用户首购日期
CohortGroup$CohortGroup <- CohortGroup$CohortGroup %>% format('%Y-%m')
df <- df %>% left_join(CohortGroup,by = 'UserId')
#将首购日期与原始订单表合并对齐2.3 分组（按照首购日期、购买日期）计算总用户数、总订单数、总支付金额（用户ID要去重）
代码语言：javascript复制chorts <- df %>% group_by(CohortGroup,OrderPeriod) %>%
summarize(
UserId = n_distinct(UserId),
OrderId = n_distinct(OrderId),
TotalCharges = sum(TotalCharges)
) %>% rename(TotalUsers= UserId , TotalOrders = OrderId)2.4 按照用户ID分组并根据购买日期月份添加顺序标签
代码语言：javascript复制chorts <- chorts %>%
arrange(CohortGroup,OrderPeriod) %>%
group_by(CohortGroup) %>%
mutate( CohortPeriod =row_number())3、计算当月购买新用户数
代码语言：javascript复制cohort_group_size <- chorts %>%
filter(CohortPeriod == 1) %>%
select(CohortGroup,OrderPeriod,TotalUsers)
user_retention <- chorts %>%
select(CohortGroup,CohortPeriod,TotalUsers) %>%
spread(CohortGroup,TotalUsers)
#长表转换为宽表#将具体用户数换算为占基准月份比率
user_retention[,-1] <- user_retention[,-1] %>% t() %>% `/`(cohort_group_size$TotalUsers) %>% t() %>% as.data.frame()宽表转为长表
代码语言：javascript复制user_retention1 <- user_retention %>% select(1:5) %>%
melt(
id.vars = 'CohortPeriod',
variable.name = 'CohortGroup',
value.name = 'TotalUsers'
)4、存留曲线
代码语言：javascript复制ggplot(user_retention1,aes(CohortPeriod,TotalUsers))
geom_line(aes(group = CohortGroup,colour = CohortGroup))
scale_x_continuous(breaks = 1:15)
scale_colour_brewer(type = 'div')
最终的存留热力图数据源：
代码语言：javascript复制user_retentionT <- t(user_retention) %>% .[2:nrow(.),] %>% as.data.frame
user_retentionT$CohortPeriod <- row.names(user_retentionT)
row.names(user_retentionT) <- NULLuser_retentionT <- user_retentionT[,c(16,1:15)]
user_retentionT1 <- user_retentionT %>%
melt(
id.vars = 'CohortPeriod',
variable.name = 'CohortGroup',
value.name = 'TotalUsers'
)5、存留分析热力图：
代码语言：javascript复制library("Cairo")
library("showtext")
font_add("myfont","msyh.ttc")
CairoPNG("C:/Users/RAINDU/Desktop/emoji1.png",1000,750)
showtext_begin()
ggplot(user_retentionT1 ,aes(CohortGroup,CohortPeriod,fill=TotalUsers))
geom_tile(colour='white')
geom_text(aes(label = ifelse(TotalUsers != 0,paste0(round(100*TotalUsers,2),'%'),'')),colour = 'blue')
scale_fill_gradient2(limits=c(0,.55),low="#00887D", mid ='yellow', high="orange",midpoint = median(user_retentionT1$TotalUsers, na.rm =TRUE),na.value = "grey90")
scale_y_discrete(limits = rev(unique(user_retentionT1$CohortPeriod)))
scale_x_discrete(position = "top")
labs(title="XXX产品Chort留存分析",subtitle="XXX产品在2019年1月至2010年三月中间的留存率趋势")
theme(
text = element_text(family = 'myfont',size = 15),
rect = element_blank()
)
showtext_end()
dev.off()
存留分析是互联网数据分析和运用中经常会用到分析工具，本节的R代码是源于篇首Python代码的思路，大家可以对比两者的优劣，作为今后分析使用的参考资料。
