Python3 & 统计固定指标的数量

场景:
有如下excel,
规则:
rValue>=17.45时,R=0,否则R=1
fValue<=17.45时,F=0,否则F=1
mValue<=17.45时,M=0,否则M=1

高价值MM: R=1,F=1,M=1
重点保持MM:R=0,F=1,M=1
重点发展MM:R=1,F=0,M=1
重点挽留MM:R=0,F=0,M=1
一般价值MM:R=1,F=1,M=0
一般保持MM:R=0,F=1,M=0
一般发展MM:R=1,F=0,M=0
潜在MM: R=0,F=0,M=0

统计以上各类型MM的数量


image.png

代码:

# -*- coding: utf-8 -*-
import pandas as pd


rfms = pd.read_excel("D:/RFM.xlsx",header=0)
rfm_li =rfms.to_dict("records")
# print(rfm_li)

avgR = 17.45
avgF = 1.54
avgM = 255.68

rfm_newlist = []
for rfm in rfm_li:
    # print(rfm)
    rfm_dict = {}
    if rfm.get('rValue') >= avgR:
        # rfm_dict['rValue'] = rfm.get('rValue')
        rfm_dict['R'] = 0
    else:
        # rfm_dict['rValue'] = rfm.get('rValue')
        rfm_dict['R'] = 1

    if rfm.get('fValue') <= avgF:
        # rfm_dict['fValue'] = rfm.get('fValue')
        rfm_dict['F'] = 0
    else:
        # rfm_dict['fValue'] = rfm.get('fValue')
        rfm_dict['F'] = 1

    if rfm.get('mValue') <= avgM:
        # rfm_dict['mValue'] = rfm.get('mValue')
        rfm_dict['M'] = 0
    else:
        # rfm_dict['mValue'] = rfm.get('mValue')
        rfm_dict['M'] = 1
    rfm_newlist.append(rfm_dict)

#print(rfm_newlist)
#print(len(rfm_newlist))

member111 = 0
member011 = 0
member101 = 0
member001 = 0
member110 = 0
member010 = 0
member100 = 0
member000 = 0

for i in range(len(rfm_newlist)):
     rfm =  dict(eval(str(rfm_newlist[i])))
     if rfm.get('R') == 1 and rfm.get('F') == 1 and rfm.get('M') == 1:
        member111 = member111 + 1
     elif rfm.get('R') == 0 and rfm.get('F') == 1 and rfm.get('M') == 1:
         member011 = member011 + 1
     elif rfm.get('R') == 1 and rfm.get('F') == 0 and rfm.get('M') == 1:
         member101 = member101 + 1
     elif rfm.get('R') == 0 and rfm.get('F') == 0 and rfm.get('M') == 1:
         member001 = member001 + 1
     elif rfm.get('R') == 1 and rfm.get('F') == 1 and rfm.get('M') == 0:
         member110 = member110 + 1
     elif rfm.get('R') == 0 and rfm.get('F') == 1 and rfm.get('M') == 0:
         member010 = member010 + 1
     elif rfm.get('R') == 1 and rfm.get('F') == 0 and rfm.get('M') == 0:
         member100 = member100 + 1
     elif rfm.get('R') == 0 and rfm.get('F') == 0 and rfm.get('M') == 0:
         member000 = member000 + 1


print("高价值MM:",member111)
print("重点保持MM:",member011)
print("重点发展MM:",member101)
print("重点挽留MM:",member001)
print("一般价值MM:",member110)
print("一般保持MM:",member010)
print("一般发展MM:",member100)
print("潜在MM:",member000)

输出结果:

高价值MM: 138
重点保持MM: 93
重点发展MM: 72
重点挽留MM: 56
一般价值MM: 107
一般保持MM: 52
一般发展MM: 578
潜在MM: 274
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,772评论 6 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,458评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,610评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,640评论 1 276
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,657评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,590评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,962评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,631评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,870评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,611评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,704评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,386评论 4 319
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,969评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,944评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,179评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 44,742评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,440评论 2 342

推荐阅读更多精彩内容