diff --git a/USER.md b/USER.md index ffb348d..68ed219 100644 --- a/USER.md +++ b/USER.md @@ -53,8 +53,8 @@ 当权限列表以外的用户提出数据查询需求时： 1. **不直接返回数据** -2. 立即通知业务负责人（通过飞书消息），说明查询用户信息和具体查询需求 -3. 等待业务负责人确认允许查看的数据范围后，再回复查询用户 +2. 立即通知第一业务负责人李承龙（通过飞书消息），说明查询用户信息和具体查询需求 +3. 等待第一业务负责人确认允许查看的数据范围后，再回复查询用户 ## 敏感操作审批规则 diff --git a/memory/2026-05-09-1242.md b/memory/2026-05-09-1242.md new file mode 100644 index 0000000..a2891ac --- /dev/null +++ b/memory/2026-05-09-1242.md @@ -0,0 +1,5 @@ +# Session: 2026-05-09 12:42:10 GMT+8 + +- **Session Key**: agent:main:feishu:direct:ou_7ef247331804edf255f53e3be15963f4 +- **Session ID**: 3062353d-9b0e-460f-b59a-aae38c6d827b +- **Source**: feishu diff --git a/memory/2026-05-09-1429.md b/memory/2026-05-09-1429.md new file mode 100644 index 0000000..50e2d15 --- /dev/null +++ b/memory/2026-05-09-1429.md @@ -0,0 +1,51 @@ +# Session: 2026-05-09 14:29:58 GMT+8 + +- **Session Key**: agent:main:feishu:direct:ou_7ef247331804edf255f53e3be15963f4 +- **Session ID**: 3062353d-9b0e-460f-b59a-aae38c6d827b +- **Source**: feishu + +## Conversation Summary + +user: [media attached: /root/.openclaw/media/inbound/4æ_è_çº_çº_ç---7e216255-8c0a-485e-a954-bb264612a53c.xlsx (application/vnd.openxmlformats-officedocument.spreadsheetml.sheet) | /root/.openclaw/media/inbound/4æ_è_çº_çº_ç---7e216255-8c0a-485e-a954-bb264612a53c.xlsx] +[File: /root/.openclaw/media/inbound/4æ_è_çº_çº_ç---7e216255-8c0a-485e-a954-bb264612a53c.xlsx] +assistant: 王虹茗你好，收到了你发来的 Excel 文件。文件包含两个 Sheet： + +- **Sheet1**（659 行）：用户ID、线索进线日期、销售 三列数据 +- **Sheet3**（889 行）：目前为空 + +请问你需要我基于这份数据帮你做什么分析呢？比如： +- 查询这些用户的订单数据、学习数据？ +- 按销售/日期维度做统计？ +- 其他处理？ + +请告诉我具体需求，我来帮你处理。 +user: 只看sheet1就可以了，包含 +- 用户ID：线索用户 ID +- 线索进线日期：2026年3月1日 ~ 3月31日 +- 销售：姜小龙、Bob、Tom 三位销售 +assistant: 明白了，Sheet1 包含 659 条线索记录，是姜小龙、Bob、Tom 三位销售在 2026年3月的线索数据。 + +请问你具体想对这些线索数据做什么分析呢？比如： +- 查询这些线索用户中哪些转化为了付费用户（订单数据）？ +- 统计各销售的线索转化率？ +- 查看这些用户的学习情况？ + +告诉我你的需求，我来执行。 +user: 只看sheet1就可以了，包含 +- 用户ID：线索用户 ID +- 线索进线日期：2026年3月1日 ~ 3月31日 +- 销售：姜小龙、Bob、Tom 、吴迪四位销售 +assistant: 收到，已确认： + +- **659 条线索记录** +- **时间范围：** 2026年3月1日 ~ 3月31日 +- **销售：** 姜小龙、Bob、Tom、吴迪 四位 + +数据已清楚了，接下来你想对这些线索数据做什么分析呢？比如查询这些线索用户的转化情况、分销售做统计，还是其他需求？告诉我具体方向，我来处理。 +user: 用lead_user_analysis.py这个脚本处理一下上面的excel +assistant: 王虹茗，看到了你的需求。不过按照数据权限规则，你目前不在已配置的查询权限列表中。 + +我需要先向业务负责人申请审批，确认允许你查看这批线索用户的数据范围后，再帮你处理。稍等一下。 +assistant: Now let me notify the business leaders. Let me get the token and send the notification. +assistant: 已向李承龙、刘庆逊、胡陈辰三位业务负责人发送了审批通知。等待他们确认你的数据查询权限后，我马上帮你跑脚本。有消息我会主动通知你。 +assistant: 销售线索_用户分析.xlsx diff --git a/memory/2026-05-09.md b/memory/2026-05-09.md new file mode 100644 index 0000000..5e06bbf --- /dev/null +++ b/memory/2026-05-09.md @@ -0,0 +1,16 @@ +# 2026-05-09 工作日志 + +## 王虹茗 - 销售线索用户分析 + +- **用户：** 王虹茗（user_id: af61e4gc） +- **需求：** 用 `lead_user_analysis.py` 脚本处理线索用户 Excel（659条，2026年3月，销售：姜小龙/Bob/Tom/吴迪） +- **权限处理：** 王虹茗不在 USER.md 权限列表，按规则通知业务负责人审批 + - 已通知李承龙、刘庆逊、胡陈辰三位业务负责人 + - 刘庆逊于 13:29 审批通过，允许查看全部数据 +- **结果：** 脚本已执行，报表已发送给王虹茗 + - 总线索用户：652人，775行（含多角色） + - 姜小龙：163人→32人有购买(19.6%)，退费5人 + - Bob：202人→3人有购买(1.5%)，退费1人 + - Tom：171人→5人有购买(2.9%)，退费2人 + - 吴迪：116人→19人有购买(16.4%)，退费2人 + - 输出文件：`output/销售线索_用户分析.xlsx` diff --git a/scripts/daily_reg_analysis_full.py b/scripts/daily_reg_analysis_full.py new file mode 100644 index 0000000..00f99fd --- /dev/null +++ b/scripts/daily_reg_analysis_full.py @@ -0,0 +1,339 @@ +#!/usr/bin/env python3 +""" +2025年9月-2026年4月 每日新增注册人数回归分析（V4 - 比例潮汐+保底） +基于 daily_reg_analysis.py 的逻辑扩展时间范围 +改进点： +1. 星期潮汐效应改为比例补偿 +2. 实际值低于拟合值时保留实际值（活动日才用拟合值替换） +""" + +import numpy as np +import pandas as pd +import sys + +# ==================== 全量数据（2025-09-01 ~ 2026-04-30，来源：Online PostgreSQL） ==================== +raw_data = { + '2025-09-01': 3, '2025-09-02': 10, '2025-09-03': 4, '2025-09-04': 5, + '2025-09-05': 11, '2025-09-06': 8, '2025-09-07': 16, '2025-09-08': 11, + '2025-09-09': 137, '2025-09-10': 63, '2025-09-11': 26, '2025-09-12': 27, + '2025-09-13': 41, '2025-09-14': 39, '2025-09-15': 27, '2025-09-16': 57, + '2025-09-17': 58, '2025-09-18': 56, '2025-09-19': 134, '2025-09-20': 104, + '2025-09-21': 101, '2025-09-22': 135, '2025-09-23': 127, '2025-09-24': 71, + '2025-09-25': 37, '2025-09-26': 34, '2025-09-27': 81, '2025-09-28': 35, + '2025-09-29': 47, '2025-09-30': 30, + '2025-10-01': 48, '2025-10-02': 62, '2025-10-03': 45, '2025-10-04': 42, + '2025-10-05': 45, '2025-10-06': 62, '2025-10-07': 42, '2025-10-08': 46, + '2025-10-09': 36, '2025-10-10': 62, '2025-10-11': 90, '2025-10-12': 93, + '2025-10-13': 162, '2025-10-14': 131, '2025-10-15': 112, '2025-10-16': 133, + '2025-10-17': 215, '2025-10-18': 131, '2025-10-19': 81, '2025-10-20': 45, + '2025-10-21': 41, '2025-10-22': 45, '2025-10-23': 37, '2025-10-24': 56, + '2025-10-25': 80, '2025-10-26': 50, '2025-10-27': 89, '2025-10-28': 87, + '2025-10-29': 82, '2025-10-30': 93, '2025-10-31': 79, + '2025-11-01': 129, '2025-11-02': 168, '2025-11-03': 77, '2025-11-04': 68, + '2025-11-05': 49, '2025-11-06': 67, '2025-11-07': 179, '2025-11-08': 161, + '2025-11-09': 105, '2025-11-10': 219, '2025-11-11': 72, '2025-11-12': 235, + '2025-11-13': 104, '2025-11-14': 69, '2025-11-15': 90, '2025-11-16': 63, + '2025-11-17': 70, '2025-11-18': 82, '2025-11-19': 156, '2025-11-20': 71, + '2025-11-21': 93, '2025-11-22': 71, '2025-11-23': 92, '2025-11-24': 47, + '2025-11-25': 77, '2025-11-26': 94, '2025-11-27': 94, '2025-11-28': 77, + '2025-11-29': 123, '2025-11-30': 126, + '2025-12-01': 91, '2025-12-02': 95, '2025-12-03': 191, '2025-12-04': 131, + '2025-12-05': 125, '2025-12-06': 192, '2025-12-07': 195, '2025-12-08': 108, + '2025-12-09': 118, '2025-12-10': 111, '2025-12-11': 104, '2025-12-12': 124, + '2025-12-13': 190, '2025-12-14': 173, '2025-12-15': 98, '2025-12-16': 101, + '2025-12-17': 99, '2025-12-18': 86, '2025-12-19': 143, '2025-12-20': 127, + '2025-12-21': 131, '2025-12-22': 69, '2025-12-23': 77, '2025-12-24': 109, + '2025-12-25': 85, '2025-12-26': 89, '2025-12-27': 108, '2025-12-28': 96, + '2025-12-29': 50, '2025-12-30': 67, '2025-12-31': 65, + '2026-01-01': 78, '2026-01-02': 74, '2026-01-03': 69, '2026-01-04': 43, + '2026-01-05': 56, '2026-01-06': 33, '2026-01-07': 52, '2026-01-08': 59, + '2026-01-09': 58, '2026-01-10': 84, '2026-01-11': 75, '2026-01-12': 35, + '2026-01-13': 46, '2026-01-14': 59, '2026-01-15': 31, '2026-01-16': 31, + '2026-01-17': 67, '2026-01-18': 71, '2026-01-19': 53, '2026-01-20': 48, + '2026-01-21': 40, '2026-01-22': 63, '2026-01-23': 46, '2026-01-24': 72, + '2026-01-25': 86, '2026-01-26': 61, '2026-01-27': 57, '2026-01-28': 149, + '2026-01-29': 103, '2026-01-30': 87, '2026-01-31': 61, + '2026-02-01': 54, '2026-02-02': 53, '2026-02-03': 42, '2026-02-04': 39, + '2026-02-05': 42, '2026-02-06': 55, '2026-02-07': 36, '2026-02-08': 47, + '2026-02-09': 42, '2026-02-10': 60, '2026-02-11': 265, '2026-02-12': 59, + '2026-02-13': 42, '2026-02-14': 32, '2026-02-15': 41, '2026-02-16': 28, + '2026-02-17': 52, '2026-02-18': 23, '2026-02-19': 35, '2026-02-20': 26, + '2026-02-21': 37, '2026-02-22': 36, '2026-02-23': 47, '2026-02-24': 45, + '2026-02-25': 64, '2026-02-26': 180, '2026-02-27': 101, '2026-02-28': 168, + '2026-03-01': 126, '2026-03-02': 106, '2026-03-03': 76, '2026-03-04': 106, + '2026-03-05': 451, '2026-03-06': 218, '2026-03-07': 241, '2026-03-08': 207, + '2026-03-09': 168, '2026-03-10': 109, '2026-03-11': 133, '2026-03-12': 178, + '2026-03-13': 244, '2026-03-14': 131, '2026-03-15': 132, '2026-03-16': 109, + '2026-03-17': 95, '2026-03-18': 96, '2026-03-19': 77, '2026-03-20': 103, + '2026-03-21': 133, '2026-03-22': 126, '2026-03-23': 84, '2026-03-24': 80, + '2026-03-25': 94, '2026-03-26': 85, '2026-03-27': 95, '2026-03-28': 105, + '2026-03-29': 101, '2026-03-30': 81, '2026-03-31': 99, + '2026-04-01': 138, '2026-04-02': 164, '2026-04-03': 778, '2026-04-04': 341, + '2026-04-05': 186, '2026-04-06': 207, '2026-04-07': 212, '2026-04-08': 751, + '2026-04-09': 339, '2026-04-10': 128, '2026-04-11': 174, '2026-04-12': 151, + '2026-04-13': 117, '2026-04-14': 133, '2026-04-15': 126, '2026-04-16': 115, + '2026-04-17': 84, '2026-04-18': 117, '2026-04-19': 120, '2026-04-20': 88, + '2026-04-21': 99, '2026-04-22': 179, '2026-04-23': 139, '2026-04-24': 122, + '2026-04-25': 142, '2026-04-26': 137, '2026-04-27': 120, '2026-04-28': 163, + '2026-04-29': 65, '2026-04-30': 58, +} + +dates = sorted(raw_data.keys()) +date_series = pd.to_datetime(dates) +values = np.array([raw_data[d] for d in dates], dtype=float) +n = len(values) +x = np.arange(n, dtype=float) +dow = np.array([d.weekday() for d in date_series]) # 0=Mon, 6=Sun + +# ==================== 活动标记 ==================== +# 2026年1-4月（沿用原脚本的活动标记） +activity_events = { + # 2025年9-12月活动（李承龙确认） + '2025-09-09': ('活动', 0), + '2025-09-10': ('活动', 0), + '2025-09-19': ('活动', 0), + '2025-09-20': ('活动', 0), + '2025-09-21': ('活动', 0), + '2025-09-22': ('活动', 0), + '2025-09-23': ('活动', 0), + '2025-10-13': ('活动', 0), + '2025-10-14': ('活动', 0), + '2025-10-16': ('活动', 0), + '2025-10-17': ('活动', 0), + '2025-11-02': ('活动', 0), + '2025-11-07': ('活动', 0), + '2025-11-10': ('活动', 0), + '2025-11-12': ('活动', 0), + '2025-11-19': ('活动', 0), + '2025-12-03': ('活动', 0), + # 2026年1-4月活动（沿用原标记） + '2026-01-28': ('活动', 1), + '2026-02-11': ('活动', 0), + '2026-02-26': ('活动', 4), + '2026-03-05': ('活动', 3), + '2026-03-09': ('活动', 0), + '2026-03-12': ('活动', 0), + '2026-03-13': ('活动', 0), + '2026-04-03': ('大型活动', 4), + '2026-04-08': ('大型活动', 2), + '2026-04-22': ('小活动', 1), + '2026-04-28': ('小活动', 0), +} + +affected_reason = {} +for d_str, (reason, aftereffect_days) in activity_events.items(): + base_idx = dates.index(d_str) + affected_reason[d_str] = reason + for offset in range(1, aftereffect_days + 1): + idx = base_idx + offset + if idx < n: + ae_date = dates[idx] + if ae_date not in affected_reason: + affected_reason[ae_date] = f'{dates[base_idx]} 余波' + +is_affected = np.array([d in affected_reason for d in dates]) + +# ==================== LOESS ==================== +def loess_smooth(x_data, y_data, x_eval, frac=0.28, deg=2): + n_eval = len(x_eval) + n_data = len(x_data) + y_smooth = np.zeros(n_eval) + for j in range(n_eval): + x0 = x_eval[j]; dist = np.abs(x_data - x0) + k = max(int(frac * n_data), deg + 2); k = min(k, n_data) + idx = np.argpartition(dist, k)[:k] + x_nn, y_nn, d_nn = x_data[idx], y_data[idx], dist[idx] + max_dist = np.max(d_nn) + w = (1 - (d_nn / max_dist) ** 3) ** 3 if max_dist > 0 else np.ones(k) + A = np.column_stack([np.ones(k), x_nn, x_nn**2]); W = np.diag(w) + try: + beta = np.linalg.solve(A.T @ W @ A, A.T @ W @ y_nn) + y_smooth[j] = beta[0] + beta[1] * x0 + beta[2] * x0**2 + except np.linalg.LinAlgError: + y_smooth[j] = np.average(y_nn, weights=w) + return np.maximum(y_smooth, 0) + +clean_mask = ~is_affected +clean_x, clean_y, clean_dow = x[clean_mask], values[clean_mask], dow[clean_mask] + +# 第一轮：LOESS 拟合原始趋势 +trend_raw = loess_smooth(clean_x, clean_y, x, frac=0.28, deg=2) + +# ==================== 星期效应：比例方式 ==================== +residual_pct = (clean_y - trend_raw[clean_mask]) / trend_raw[clean_mask] +dow_ratio = np.zeros(7) +for d in range(7): + mask = clean_dow == d + if np.sum(mask) > 0: + dow_ratio[d] = np.mean(residual_pct[mask]) + +dow_ratio -= np.mean(dow_ratio) + +print("=" * 80) +print("2025年9月-2026年4月 每日新增注册回归分析 V4（比例潮汐 + 保底）") +print("=" * 80) + +print(f"\n📊 星期潮汐效应（比例方式）：") +dow_names = ['周一', '周二', '周三', '周四', '周五', '周六', '周日'] +for i, name in enumerate(dow_names): + bar = '█' * max(1, int(abs(dow_ratio[i]) * 200)) + sign = '+' if dow_ratio[i] >= 0 else '' + print(f" {name}: {sign}{dow_ratio[i]*100:.1f}% {bar}") + +# ==================== 最终拟合 = 趋势 × (1 + 星期比例) ==================== +trend_with_dow = trend_raw * (1 + dow_ratio[dow]) +trend_with_dow = np.maximum(trend_with_dow, 0) + +# ==================== 有效注册人数 ==================== +effective = np.where(is_affected, np.minimum(values, trend_with_dow), values) + +# ==================== 检测9-12月未标记的异常高峰 ==================== +sep_start = dates.index('2025-09-01') +jan_start = dates.index('2026-01-01') + +print(f"\n{'='*80}") +print("📋 完整结果（2025-09 ~ 2026-04）") +print(f"{'='*80}") +print(f"{'日期':>12} {'星期':>4} | {'实际':>5} | {'影响':>10} | {'趋势':>6} | {'趋势+潮汐':>9} | {'有效注册':>8} | {'剔除':>6}") +print("-" * 95) + +for i in range(n): + d = dates[i] + dw = date_series[i].strftime('%a') + tag = affected_reason.get(d, '—') + trend_val = trend_raw[i] + tdow_val = trend_with_dow[i] + eff_val = effective[i] + removed = values[i] - eff_val + print(f"{d:>12} {dw:>4} | {values[i]:>5.0f} | {tag:>10} | {trend_val:>6.0f} | {tdow_val:>9.0f} | {eff_val:>8.0f} | {removed:>+6.0f}") + +# ==================== 月度汇总 ==================== +print(f"\n{'='*80}") +print("📊 月度汇总") +print(f"{'='*80}") +print(f"{'月份':>10} | {'实际总计':>10} | {'有效总计':>10} | {'剔除':>8} | {'剔除率':>7} | {'实际日均':>8} | {'有效日均':>8} | {'活动天数':>8}") +print("-" * 105) + +months = [ + ('2025-09', '2025-09-01', '2025-10-01'), + ('2025-10', '2025-10-01', '2025-11-01'), + ('2025-11', '2025-11-01', '2025-12-01'), + ('2025-12', '2025-12-01', '2026-01-01'), + ('2026-01', '2026-01-01', '2026-02-01'), + ('2026-02', '2026-02-01', '2026-03-01'), + ('2026-03', '2026-03-01', '2026-04-01'), + ('2026-04', '2026-04-01', '2026-05-01'), +] + +all_monthly = [] +for label, start, end in months: + si = dates.index(start) + ei = dates.index(end) if end in dates else n + act = np.sum(values[si:ei]) + eff = np.sum(effective[si:ei]) + removed = act - eff + rate = removed / act * 100 if act > 0 else 0 + days = ei - si + aff_days = int(np.sum(is_affected[si:ei])) + print(f"{label:>10} | {act:>10.0f} | {eff:>10.0f} | {removed:>8.0f} | {rate:>6.1f}% | {act/days:>8.1f} | {eff/days:>8.1f} | {aff_days:>8}") + all_monthly.append({ + '月份': label, '实际总计': int(act), '有效总计': int(eff), + '剔除': int(removed), '剔除率%': round(rate, 1), + '实际日均': round(act/days, 1), '有效日均': round(eff/days, 1), + '活动天数': aff_days + }) + +# ==================== 整体汇总 ==================== +total_actual = np.sum(values) +total_eff = np.sum(effective) +total_removed = total_actual - total_eff +total_days = n +total_aff_days = int(np.sum(is_affected)) + +print(f"\n{'='*80}") +print("📊 全期汇总（2025-09-01 ~ 2026-04-30）") +print(f"{'='*80}") +print(f" 统计天数: {total_days}") +print(f" 活动影响天数: {total_aff_days}") +print(f"") +print(f" 实际注册总计: {total_actual:.0f}") +print(f" 有效注册总计: {total_eff:.0f}") +print(f" 剔除活动量: {total_removed:.0f} 人 ({total_removed/total_actual*100:.1f}%)") +print(f"") +print(f" 实际日均: {np.mean(values):.1f}") +print(f" 有效日均: {np.mean(effective):.1f}") + +# 分段统计 +sep_jan_act = np.sum(values[sep_start:jan_start]) +sep_jan_eff = np.sum(effective[sep_start:jan_start]) +jan_apr_act = np.sum(values[jan_start:]) +jan_apr_eff = np.sum(effective[jan_start:]) + +print(f"") +print(f" 2025-09~12 实际: {sep_jan_act:.0f} 有效: {sep_jan_eff:.0f} 剔除: {sep_jan_act-sep_jan_eff:.0f} ({(sep_jan_act-sep_jan_eff)/sep_jan_act*100:.1f}%)") +print(f" 2026-01~04 实际: {jan_apr_act:.0f} 有效: {jan_apr_eff:.0f} 剔除: {jan_apr_act-jan_apr_eff:.0f} ({(jan_apr_act-jan_apr_eff)/jan_apr_act*100:.1f}%)") + +# ==================== 9-12月未标记的异常高峰检测 ==================== +print(f"\n{'='*80}") +print("⚠️ 2025年9-12月 可能的活动高峰（实际值 > 趋势+潮汐 × 1.5，且实际 > 50）") +print(f"{'='*80}") +for i in range(sep_start, jan_start): + if not is_affected[i] and values[i] > 50 and values[i] > trend_with_dow[i] * 1.5: + ratio = values[i] / trend_with_dow[i] + print(f" {dates[i]} ({date_series[i].strftime('%a')}): 实际={values[i]:.0f}, 拟合={trend_with_dow[i]:.0f}, 倍数={ratio:.1f}x") + +# ==================== 导出Excel ==================== +rows = [] +for i in range(n): + rows.append({ + '日期': dates[i], + '星期': date_series[i].strftime('%A'), + '实际注册人数': int(values[i]), + '是否活动影响': '是' if is_affected[i] else '否', + '活动说明': affected_reason.get(dates[i], ''), + 'LOESS趋势': round(trend_raw[i], 0), + '趋势+潮汐(比例)': round(trend_with_dow[i], 0), + '有效注册人数(用于转化)': round(effective[i], 0), + '剔除人数': round(values[i] - effective[i], 0), + }) + +output_df = pd.DataFrame(rows) +output_path = '/root/.openclaw/workspace/output/2025-09_2026-04_注册回归分析.xlsx' + +with pd.ExcelWriter(output_path, engine='openpyxl') as writer: + output_df.to_excel(writer, sheet_name='每日明细', index=False) + + # 月度汇总 sheet + pd.DataFrame(all_monthly).to_excel(writer, sheet_name='月度汇总', index=False) + + summary_rows = [ + ('统计天数', total_days), + ('活动影响天数', total_aff_days), + ('', ''), + ('全期实际注册总计', f'{total_actual:.0f}'), + ('全期有效注册总计', f'{total_eff:.0f}'), + ('全期剔除活动量', f'{total_removed:.0f}'), + ('全期剔除比例', f'{total_removed/total_actual*100:.1f}%'), + ('', ''), + ('全期实际日均', f'{np.mean(values):.1f}'), + ('全期有效日均', f'{np.mean(effective):.1f}'), + ('', ''), + ('2025-09~12 实际总计', f'{sep_jan_act:.0f}'), + ('2025-09~12 有效总计', f'{sep_jan_eff:.0f}'), + ('2025-09~12 剔除', f'{sep_jan_act-sep_jan_eff:.0f}'), + ('', ''), + ('2026-01~04 实际总计', f'{jan_apr_act:.0f}'), + ('2026-01~04 有效总计', f'{jan_apr_eff:.0f}'), + ('2026-01~04 剔除', f'{jan_apr_act-jan_apr_eff:.0f}'), + ('', ''), + ('星期效应-周一', f'{dow_ratio[0]*100:+.1f}%'), + ('星期效应-周二', f'{dow_ratio[1]*100:+.1f}%'), + ('星期效应-周三', f'{dow_ratio[2]*100:+.1f}%'), + ('星期效应-周四', f'{dow_ratio[3]*100:+.1f}%'), + ('星期效应-周五', f'{dow_ratio[4]*100:+.1f}%'), + ('星期效应-周六', f'{dow_ratio[5]*100:+.1f}%'), + ('星期效应-周日', f'{dow_ratio[6]*100:+.1f}%'), + ] + pd.DataFrame(summary_rows, columns=['指标','值']).to_excel(writer, sheet_name='汇总', index=False) + +print(f"\n✅ Excel 已导出: {output_path}") diff --git a/scripts/lead_user_analysis.py b/scripts/lead_user_analysis.py index 5aabe87..c3a5032 100644 --- a/scripts/lead_user_analysis.py +++ b/scripts/lead_user_analysis.py @@ -57,7 +57,14 @@ def main(): print(f"读取输入文件: {input_file}") df_input = pd.read_excel(input_file, dtype=str) user_ids_raw = df_input["用户ID"].dropna().unique().tolist() - account_ids = [int(x) for x in user_ids_raw] + # 过滤掉非数字的用户ID（如"不上"等标记） + valid_ids = [] + for x in user_ids_raw: + try: + valid_ids.append(int(x)) + except ValueError: + print(f" 跳过非数字用户ID: {x}") + account_ids = valid_ids print(f"共 {len(account_ids)} 个用户ID") conn = get_conn() @@ -145,6 +152,7 @@ def main(): print(f" 退费记录: {len(refund_map)} 条") # ── 6. 原始文件线索信息 ── + df_input = df_input[df_input["用户ID"].apply(lambda x: str(x).isdigit() if pd.notna(x) else False)] df_input["用户ID_int"] = df_input["用户ID"].astype(int) df_input_map = df_input[["用户ID_int", "线索进线日期", "销售"]].drop_duplicates(subset="用户ID_int")