一个 R 包里装着一年的超市小票:2,469 户常住顾客,全量交易 1,469,307 行。但装完包直接打 transactions_sample,出来的是 75,000 行——只占全量的 5.1%。同一个包里两张表名只差一个后缀,行数差 20 倍,这是用它做分析时第一个会踩的地方。
数据来自 84.51°(Kroger 旗下零售数据公司)的 Complete Journey 研究,由 Brad Boehmke 与 Steven Mortimer 整理成 R 包 completejourney,当前版本 1.1.1,可从 CRAN 安装。包内共八张表,覆盖交易、商品、促销、优惠券、兑换与人口统计六个环节,能串起"发券→核销→购买"的完整链路,这是它比一般销售明细表更有用的地方。
八张表各有多大
| 表 | 行数 | 列数 | 内容 |
| transactions(全量) | 1,469,307 | 11 | 每件商品的购买记录:户、店、篮子、商品、数量、金额、折扣、券折、周次、时间戳 |
| transactions_sample | 75,000 | 11 | 同上,随机抽样 |
| promotions(全量) | 20,940,529 | 5 | 商品在店内陈列位与邮报位、周次 |
| promotions_sample | 360,535 | 5 | 同上,随机抽样 |
| products | 92,331 | 7 | 商品主数据:厂商、部门、品牌、品类 |
| coupons | 116,204 | 3 | 券码、对应商品、所属活动 |
| coupon_redemptions | 2,102 | 4 | 券码核销:户、日期、券、活动 |
| campaigns | 6,589 | 2 | 每户收到的活动 |
| campaign_descriptions | 27 | 4 | 活动类型与起止日期 |
| demographics | 801 | 8 | 户的年龄段、收入段、房产、婚姻、家庭规模等 |
(表共十行,其中 transactions 与 promotions 各有一份抽样版,实为八个数据对象。)
三个必须先弄清的口径
抽样不等于全量。 交易表抽样 5.1%、促销表抽样 1.72%,两者的抽样比例并不相同。直接用两个 _sample 表做"促销对销量的影响",等于在两个不同抽样框之间比频率,结论会失真。要做因果类分析,必须调 get_transactions() 与 get_promotions() 取全量,这两个函数运行时从源仓库下载,需要联网。
人口统计只覆盖三分之一。 demographics 801 行,占 2,469 户的 32.4%。按收入段或家庭规模分组时,剩下 1,668 户没有分层变量,任何"按收入看客单价"的结论都只代表这 801 户,不能顺推全体。
促销表是长表,行数天然比交易表多。 2,094 万行对 147 万行,14.25 倍,因为每个商品在每个门店每周只要有一次陈列就算一行。它不是"2,094 万次促销活动",而是"商品×门店×周"的组合记录;先按商品和周聚合再与交易连接,否则会一对多炸开。
优惠券这条链的数据形状
campaign_descriptions 只有 27 行,是活动字典;campaigns 6,589 行,记每户收到哪些活动,户均 2.67 个;coupons 11.6 万行,券码按"户+活动"唯一;coupon_redemptions 只有 2,102 行,是实际核销。核销对发券是 1.81%——这个数字不是核销率,因为券表按 UPC 发、兑换表按券码记录,两边口径要先对齐户与活动才可比。想算真实核销率,得先把 coupons 按户与活动去重。
能做什么、不适合做什么
适合:家庭层面的复购间隔与篮子构成、促销与陈列对品类销量的影响、券的发放与核销漏斗、按人群分层的购物行为差异、教学用的关联规则与客户分层练习(这个数据集本身就是多所大学零售分析课程的练习数据)。
不适合:需要全国代表性样本的推断(2,469 户是一家连锁的常住顾客,不是抽样调查);需要近年趋势的分析(数据固定在一年内,没有多年序列);需要精确利润的分析(只有销售额与折扣,没有成本)。
拿到它需要什么条件
免费。装 R 后一行 install.packages("completejourney") 即可,八个数据对象随包带走,无需注册、无需申请。全量交易与促销不随包分发,要用包内函数下载,首次下载量较大(交易表 147 万行、促销表 2,094 万行),建议先跑抽样表摸清字段再取全量。上游原站是 84.51° 的 Area 51 页面,那里另有原始文件与字段说明。
包的描述文件声明 License: CC0,即放弃著作权、进入公有领域;但上游原始数据由 84.51° 发布,其站点条款与包的声明是两件事,商用或再分发前应分别确认。本帖只做介绍与字段整理,不转存任何原始数据文件,取数请回原站与原包。
以上是免费部分。八张表的完整字段清单、R 里的取数写法、以及几处容易读错的细节放在下面论坛币区。
────────────────
想看完整字段清单和取数写法,回帖留下邮箱即可,我按顺序发给你。
把经管之家装进你常用的 AI 智能体中 一键快捷安装经管之家 MCP/技能,让 AI 帮你查教程、找数据、读论坛帖子。 检索、阅读公开帖子不收费,安装可申请领取:3 通用积分+100 论坛币+3 元论坛资金 说明: AI 算力按所用平台规则计算;附件按原帖条件获取;福利领取条件以活动页面为准。 |


雷达卡


京公网安备 11010802022788号







