什么是Retentioneering？

Retentioneering是一个Python库，它使分析点击流、用户路径（轨迹）和事件日志变得更加容易，并能提供比漏斗分析更广泛、更深入的洞察。您可以使用Retentioneering来探索用户行为、细分用户，并针对促使用户采取理想行动或导致其流失的因素形成假设。

Retentioneering利用点击流数据构建行为细分，突出显示那些影响您的转化率、留存率和收入的用户行为事件与模式。Retentioneering库专为数据分析师、市场分析师、产品负责人、管理者以及所有致力于提升产品质量的人士而设计。

作为Jupyter环境的自然组成部分，Retentioneering扩展了pandas、NetworkX、scikit-learn等库的能力，以更高效地处理序列化事件数据。Retentioneering工具具有交互性，专为分析研究而设计，因此您无需成为Python专家即可使用它。只需几行代码，您就可以清洗数据、探索客户旅程地图并生成可视化图表。

Retentioneering的结构

Retentioneering由两个主要部分组成：预处理模块和路径分析工具。

预处理模块提供了一系列专门用于处理点击流数据的实用方法，这些方法既可以通过代码调用，也可以通过预处理GUI界面使用。凭借用于分组或筛选事件、将点击流拆分为会话等多种独立方法，Retentioneering的预处理模块能够显著减少代码量，从而降低潜在错误。此外，如果您正在处理分支型分析——这种情况很常见——预处理方法将帮助您使计算过程结构化且可重复，并将其组织成一个计算图。这对于团队协作尤其有帮助。

路径分析工具通过提供一套强大的技术来深入分析客户旅程地图，将基于行为的用户细分引入产品分析中。这些工具配备了信息丰富且交互式的可视化功能，使您能够以极高的分辨率快速理解点击流的复杂结构。

文档

完整的文档可在这里找到。

安装

Retentioneering可以通过pip从PyPI安装。

pip install retentioneering

或者直接在Jupyter Notebook或google.colab中安装。

!pip install retentioneering

快速入门

我们建议您从快速入门文档开始您的Retentioneering之旅。

分步指南

• 事件流

预处理

• 数据处理器
• 预处理图
• 预处理教程

路径分析工具

• 转移图
• 步骤矩阵
• 步骤桑基图
• 聚类
• 漏斗
• 队列
• 统计检验

原始数据类型

原始数据可以从Google Analytics BigQuery流或其他类似的数据源下载。只需将这些数据转换为三元组列表——用户ID、事件和时间戳——然后传递给Retentioneering工具即可。该软件包还包含一些用于快速入门的数据集。

更改记录

• 版本3.3.0
• 版本3.2.1
• 版本3.2
• 版本3.1
• 版本3.0
• 版本2.0（存档）

贡献

这是一个由社区驱动、处于积极开发中的开源项目。任何贡献、新想法、错误报告、错误修复以及文档改进都将受到热烈欢迎。

Retentioneering目前提供了多个用于数据驱动的产品分析和Web分析的开源解决方案。请查看这个仓库，其中包含一个用于跟踪网站元素变化的JS库。

有了数学，应用会更好！ :) Retentioneering是由Maxim Godzi于2015年创立的研究实验室、分析方法论及开源工具。如您对该仓库有任何疑问，请随时通过retentioneering@gmail.com与我们联系。

Retentioneering 快速上手指南

Retentioneering 是一个强大的 Python 库，专为分析点击流（clickstream）、用户路径和事件日志而设计。它能帮助数据分析师和产品经理深入探索用户行为、进行基于行为的用户分群，并挖掘影响转化率、留存率和收入的关键模式。相比传统的漏斗分析，它能提供更深层的洞察。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows, macOS 或 Linux
• Python 版本：建议 Python 3.8 及以上版本
• 核心依赖：该库底层依赖 pandas, NetworkX, scikit-learn 等常用数据科学库，安装时会自动处理。
• 推荐环境：建议在 Jupyter Notebook 或 Google Colab 中使用，以获得最佳的交互式可视化体验。

安装步骤

您可以使用 pip 直接安装。为了获得更快的下载速度，国内用户推荐使用清华或阿里镜像源。

方法一：命令行安装（推荐国内用户）

pip install retentioneering -i https://pypi.tuna.tsinghua.edu.cn/simple

或者使用阿里云镜像：

pip install retentioneering -i https://mirrors.aliyun.com/pypi/simple/

方法二：在 Jupyter Notebook / Google Colab 中安装

如果您直接在笔记本环境中运行，请使用以下命令：

!pip install retentioneering

基本使用

Retentioneering 的核心工作流程分为两步：数据预处理 和 路径分析。以下是基于官方示例的最简入门代码。

1. 导入库与加载数据

Retentioneering 内置了一些示例数据集，方便快速测试。

import retentioneering as rete
from retentioneering import preprocessing, tools

# 加载内置的示例点击流数据 (包含 user_id, event, timestamp)
input_data = rete.datasets.get_clickstream()

# 查看前几行数据
print(input_data.head())

2. 数据预处理 (Preprocessing)

原始数据通常包含噪音或需要按会话切割。使用 preprocessing 模块可以高效地清洗数据并构建计算图。

# 初始化预处理对象
prep = preprocessing.Preprocessing(input_data)

# 定义一个简单的处理流程：
# 1. 过滤掉无意义的事件 (例如 'scroll', 'mousemove' 等，视具体数据而定)
# 2. 将会话间隔超过 30 分钟的点击流切分为新会话
processed_data = (
    prep
    .filter_events(lambda x: x not in ['scroll', 'mousemove']) 
    .split_sessions(threshold=30 * 60) # 阈值单位为秒
    .apply()
)

print(f"原始数据行数：{len(input_data)}, 处理后数据行数：{len(processed_data)}")

3. 路径分析与可视化 (Path Analysis)

使用处理后的数据，您可以轻松生成转化漏斗、桑基图或用户聚类。

示例 A：绘制转移图 (Transition Graph)

直观展示用户从一个事件跳转到另一个事件的概率和流量。

# 生成并显示转移图
graph = tools.plot_transition_graph(processed_data, start_event='landing_page')
graph.show()

示例 B：构建漏斗 (Funnel)

分析特定路径的转化情况。

# 定义关键路径步骤
steps = ['landing_page', 'product_view', 'add_to_cart', 'checkout']

# 计算并绘制漏斗
funnel_data = tools.calc_funnel(processed_data, steps=steps)
tools.plot_funnel(funnel_data)

示例 C：用户行为聚类 (Clusters)

自动发现具有相似行为模式的用户群体。

# 对用户路径进行聚类分析
clusters = tools.cluster_users(processed_data, n_clusters=5)

# 查看不同簇的特征
print(clusters['cluster_stats'])

---

下一步建议： 完成上述基础操作后，您可以访问 官方文档 深入学习 Step Sankey（步骤桑基图）、Cohorts（同期群分析）以及 Stattests（统计显著性测试）等高级功能。