독서 시점/시간대 분석

- 장기 미접속자(6개월 이상)의 이탈사유와 전체 이탈 사유가 동일 할 것이다. => 장기간 미접속 이유와 전기간 이탈사유가 다르다는 것은 그 문제가 결정적인 이탈사유라고 할 수 있을 것 같다. * - 독서에 시간 투자를 못하는 현대 사회인(20-50)들이 많을 것이다 => 일반적인 사회인들의 근무 시간 9-6시에 접속수가 적을 것이다. => 10대의 이용률이 높을 것이다. 주말이 제일 완독률이 높을 것이다. => 주중/ 주말 완독률 비교

# 1. 월 컬럼 생성 cleaned_df['month'] = cleaned_df['last_access_timestamp'].dt.month # 2. 월별 접속자 수 집계 monthly_counts = cleaned_df['month'].value_counts().sort_index() #출력 print("월별 접속자 수 ",monthly_counts)

total_users = len(cleaned_df) dropout_reason_counts_all = cleaned_df['dropout_reason_category'].value_counts() dropout_reason_ratio_all = (dropout_reason_counts_all / total_users * 100).round(1) dropout_reason_all_df = pd.DataFrame({ 'dropout_reason_category': dropout_reason_counts_all.index, 'count': dropout_reason_counts_all.values, 'ratio (%)': dropout_reason_ratio_all.values }) print("전체 사용자 이탈 사유 대분류:") print(dropout_reason_all_df)

voluntary_all_df = cleaned_df[cleaned_df['dropout_reason_category'] == '자발적'] total_voluntary_all = len(voluntary_all_df) voluntary_all_detail_counts = voluntary_all_df['dropout_reason_detail'].value_counts() voluntary_all_detail_ratio = (voluntary_all_detail_counts / total_voluntary_all * 100).round(1) voluntary_all_df_summary = pd.DataFrame({ 'dropout_reason_detail': voluntary_all_detail_counts.index, 'count': voluntary_all_detail_counts.values, 'ratio (%)': voluntary_all_detail_ratio.values }) print("\n 전체 기간 자발적 이탈 상세 사유 분포:") print(voluntary_all_df_summary)

voluntary_dropout_details = inactive_users[ inactive_users['dropout_reason_category'] == '자발적' ]['dropout_reason_detail'].value_counts() # 총 자발적 이탈자 수 total_voluntary = voluntary_dropout_details.sum() # 비율 계산 voluntary_dropout_ratio = (voluntary_dropout_details / total_voluntary * 100).round(1) # 데이터프레임으로 정리 voluntary_dropout_df = pd.DataFrame({ 'dropout_reason_detail': voluntary_dropout_details.index, 'count': voluntary_dropout_details.values, 'ratio (%)': voluntary_dropout_ratio.values }) print(" 6개월 이상 미접속 사용자 - 자발적 이탈 상세 사유 비율:") print(voluntary_dropout_df)

# 요일별 컬럼 생성 cleaned_df['weekday'] = cleaned_df['last_access_timestamp'].dt.dayofweek # 요일별 접속 횟수 집계 weekday_counts = cleaned_df['weekday'].value_counts().sort_index() # 요일 이름 매핑 weekday_name_map = { 0: '월요일', 1: '화요일', 2: '수요일', 3: '목요일', 4: '금요일', 5: '토요일', 6: '일요일' } weekday_counts.index = weekday_counts.index.map(weekday_name_map) # 요일별 비율 계산 weekday_ratio = (weekday_counts / weekday_counts.sum() * 100).round(1) # 출력 print("요일별 접속자 수:") print(weekday_counts.sort_values(ascending=False)) print("\n요일별 접속 비율 (%):") print(weekday_ratio.sort_values(ascending=False))

weekday_avg_exit = ( cleaned_df.groupby('weekday')['exit_position_numeric'] .mean() .reset_index() ) # 요일 이름 매핑 weekday_avg_exit['weekday_name'] = weekday_avg_exit['weekday'].map(weekday_name_map) # 정렬 weekday_avg_exit_sorted = weekday_avg_exit.sort_values(by='exit_position_numeric', ascending=False) # 출력 print("요일별 평균 이탈 위치:") print(weekday_avg_exit_sorted[['weekday_name', 'exit_position_numeric']])

# 각 나이대별 시간(hour)별 접속 수 집계 age_hour_counts = cleaned_df.groupby(['age_group', 'hour']).size().reset_index(name='count') # 나이대별로 가장 많이 접속한 시간 구하기 peak_hour_per_age_group = age_hour_counts.sort_values('count', ascending=False).drop_duplicates('age_group') # 정렬 peak_hour_per_age_group = peak_hour_per_age_group.sort_values('age_group') print("각 나이대별 가장 많이 접속한 시간:") print(peak_hour_per_age_group)