利用python进行零售商品数据分析

零售商品数据分析

文章目录

• 零售商品数据分析
• • 1、数据集描述
  • 2、明确分析目的
  • 3、理解数据
  • 4、数据清洗
  • • 4、1 缺失数据
    • • 4、1、1 统计缺失率
      • 4、1、2 删除缺失值
    • 4、2 转换数据类型
    • 4、3 重复值处理
    • 4、4 处理日期型数据
    • 4、5 根据需要新建数列
  • 5、数据分析
  • • 5、1 目标1：找出购买商品数量前十的国家
    • 5、2 目标2：找出交易额前十的国家
    • 5、3 目标3：公司在哪些月份的销售量比较好
    • 5、4 目标4：客单价是多少
    • 5、5 目标5：用户行为分析
    • 5、6 目标6：基于RFM模型，对用户进行分类
    • • 5、6、1 再次进行数据清洗
      • • 5、6、1、1 转换Customer ID的数据类型为str
        • 5、6、1、2 处理日期
        • 5、6、1、3 新建字段
        • 5、6、1、4 重复值处理
        • 5、6、1、5 异常值处理
      • 5、6、2 R、F、M
      • • 5、6、2、1 R
        • 5、6、2、2 F
        • 5、6、2、3 M
      • 5、6、3 用户分级
      • 5、6、4 拼接R、F、M
      • 5、6、5 定义分级函数
      • 5、6、6 统计用户等级分布情况
      • 5、6、7 对结果可视化
    • 5、7 目标7：退货订单分析
  • 6、总结

这篇文章尝试着对一份零售商品数据进行分析，主要手段为描述统计与利用FRM模型进行客户分类，期望通过此次分析能达到如下目的：

• 1、找出购买商品数量前十的国家
• 2、找出交易额前十的国家
• 3、公司在哪些月份的销售量比较好
• 4、客单价是多少
• 5、用户行为分析
• 6、基于FRM模型，对用户进行分类
• 7、退货订单分析

我会将文中使用到的数据和源代码放在Github上，以便用得到的小朋友们下载：点此访问Github

1、数据集描述

这儿使用到的数据集来自Kaggle，该数据集包含2009-2010及2010-2011两个工作簿，记录了在英国注册的某公司网上零售的交易信息。主要销售产品为礼品。字段如下：

字段	描述
Invoice	订单编号
StockCode	产品编号
Description	产品描述
Quantity	订单商品数量
InvoiceDate	订单日期与时间
Price	商品单价
Customer ID	客户ID
Country	客户所在国家/地区

2、明确分析目的

• 1、找出购买商品数量前十的国家
• 2、找出交易额前十的国家
• 3、公司在哪些月份的销售量比较好
• 4、客单价是多少
• 5、用户行为分析
• 6、基于FRM模型，对用户进行分类
• 7、退货订单分析

3、理解数据

# 导入相关库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import plotly as py
import plotly.graph_objects as go
import csv
import os

pyplot = py.offline.plot

os.getcwd()
os.chdir("F:\DataSets\online_retail")
文中只对表格中的第一个工作簿进行分析（即2009-2010数据集），第二个工作簿分析可类似进行
# 数据读入
online_data = pd.read_excel("online_retail_II.xlsx")

# 查看数据情况
online_data.shape
           

(525461, 8)
           

online_data.info()
online_data.columns
           

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 525461 entries, 0 to 525460
Data columns (total 8 columns):
Invoice        525461 non-null object
StockCode      525461 non-null object
Description    522533 non-null object
Quantity       525461 non-null int64
InvoiceDate    525461 non-null datetime64[ns]
Price          525461 non-null float64
Customer ID    417534 non-null float64
Country        525461 non-null object
dtypes: datetime64[ns](1), float64(2), int64(1), object(4)
memory usage: 32.1+ MB
Out[3]:Index(['Invoice', 'StockCode', 'Description', 'Quantity', 'InvoiceDate',
       'Price', 'Customer ID', 'Country'],
      dtype='object')
           

4、数据清洗

4、1 缺失数据

4、1、1 统计缺失率

# 统计缺失率
online_data.apply(lambda x: sum(x.isnull()) / len(x), axis=0)
           

Invoice        0.000000
StockCode      0.000000
Description    0.005572
Quantity       0.000000
InvoiceDate    0.000000
Price          0.000000
Customer ID    0.205395
Country        0.000000
dtype: float64
           

• Description 0.005572 Description存在数据缺失的情况，缺失率约为0.56%，暂时无法进行填充
• Customer ID 0.205395 Customer ID存在数据缺失，缺失率20.5%

4、1、2 删除缺失值

# 删除缺失值
df1 = online_data.dropna(how="any").copy()
df1.info()
           

<class 'pandas.core.frame.DataFrame'>
Int64Index: 417534 entries, 0 to 525460
Data columns (total 8 columns):
Invoice        417534 non-null object
StockCode      417534 non-null object
Description    417534 non-null object
Quantity       417534 non-null int64
InvoiceDate    417534 non-null datetime64[ns]
Price          417534 non-null float64
Customer ID    417534 non-null float64
Country        417534 non-null object
dtypes: datetime64[ns](1), float64(2), int64(1), object(4)
memory usage: 28.7+ MB
           

4、2 转换数据类型

# 转换数据类型
# 转换Customer ID的数据类型为str
df1["Customer ID"] = df1["Customer ID"].astype(str)
df1.info()
           

<das.core.frame.DataFrame'>
Int64Index: 417534 entries, 0 to 525460
Data columns (total 8 columns):
Invoice        417534 non-null object
StockCode      417534 non-null object
Description    417534 non-null object
Quantity       417534 non-null int64
InvoiceDate    417534 non-null datetime64[ns]
Price          417534 non-null float64
Country        417534 non-null object
Customer ID    417534 non-null object
dtypes: datetime64[ns](1), float64(1), int64(1), object(5)
memory usage: 28.7+ MB
           

4、3 重复值处理

4、4 处理日期型数据

# 获取InvoiceDate日期部分
df1["InvoiceDate"] = df1["InvoiceDate"].dt.date
           

4、5 根据需要新建数列

# 新建一个销售总金额的字段 销售金额 = 单价 * 数量
df1["T_Price"] = df1.apply(lambda x: x[3] * x[5], axis=1)
           

5、数据分析

5、1 目标1：找出购买商品数量前十的国家

# 目标1：找出购买商品数量前十的国家
df1[df1["Quantity"] > 0].groupby("Country")["Quantity"].sum().sort_values(
    ascending=False).head(10)
    
           

Country
United Kingdom    4430926
Denmark            229690
Netherlands        183679
EIRE               181413
France             162048
Germany            108633
Sweden              52417
Spain               22841
Switzerland         22255
Australia           20189
Name: Quantity, dtype: int64
           

# 将结果可视化
quan_top_10 = df1[df1["Quantity"] > 0].groupby(
    "Country")["Quantity"].sum().sort_values(ascending=False).head(10)

trace_0 = go.Bar(x=quan_top_10.index.tolist(),
                 y=quan_top_10.values.tolist(),
                 opacity=0.4)
layout = go.Layout(title="商品交易量前十的国家", xaxis=dict(title="国家"))
fig = go.Figure(data=trace_0, layout=layout)
fig.show()
           

可进行交互选择查看：

5、2 目标2：找出交易额前十的国家

# 目标2：找出交易额前十的国家
df1[df1["T_Price"] > 0].groupby("Country")["T_Price"].sum().sort_values(
    ascending=False).head(10)
    
           

Country
United Kingdom    7.381644e+06
EIRE              3.560419e+05
Netherlands       2.687844e+05
Germany           2.020254e+05
France            1.461071e+05
Sweden            5.314799e+04
Denmark           5.090685e+04
Spain             4.756865e+04
Switzerland       4.392139e+04
Australia         3.144680e+04
Name: T_Price, dtype: float64
           

# 将结果可视化
p_top_10 = df1[df1["T_Price"] > 0].groupby(
    "Country")["T_Price"].sum().sort_values(ascending=False).head(10)

trace_0 = go.Bar(x=p_top_10.index.tolist(),
                 y=p_top_10.values.tolist(),
                 opacity=0.4)
layout = go.Layout(title="商品交易额前十的国家", xaxis=dict(title="国家"))
fig = go.Figure(data=trace_0, layout=layout)
fig.show()
           

同样可进行交互选择查看

5、3 目标3：公司在哪些月份的销售量比较好

# 目标3：公司在哪些月份的销售量比较好
df1["year"] = pd.to_datetime(df1["InvoiceDate"]).dt.year
df1.sample(10)
           

# 本次数据含有2009、2010两年的销售情况
# 对这两年分别进行统计
df_09 = df1.where(df1["year"] == 2009).dropna(how="all").copy()
df_09.shape
           

(31276, 10)
           

df_10 = df1.where(df1["year"] == 2010).dropna(how="all").copy()
df_10.shape
           

(379487, 10)
           

09年数据量较少,仅45000行，10年数据有477533

df_09["month"] = pd.to_datetime(df1["InvoiceDate"]).dt.month
df_09[df_09["Quantity"] > 0].groupby(
    "month")["Quantity"].sum().sort_values(ascending=False)
           

month
 12    398708.0
 Name: Quantity, dtype: float64
           

我们可以得知，09年仅有12月的交易信息，无法得知其他月份信息，故无法进行比较

df_10["month"] = pd.to_datetime(df1["InvoiceDate"]).dt.month
df_10[df_10["Quantity"] > 0].groupby("month")["Quantity"].sum().sort_values(
    ascending=False)
    
           

month
11    653074.0
10    596497.0
9     567806.0
3     502101.0
8     452551.0
6     389880.0
5     384960.0
2     371871.0
1     370128.0
4     350604.0
7     324638.0
12    157630.0
Name: Quantity, dtype: float64
           

09年数据自12-09 到12-23

10年数据自 01-04 到 12-09

观察各月份产品交易数量，发现12月份统计数量明显偏低，分析原因可能是因为12月信息统计不充分，考虑将09年12月数据填充至10年

df1["month"] = pd.to_datetime(df1["InvoiceDate"]).dt.month
df1[df1["Quantity"] > 0].groupby("month")["Quantity"].sum().sort_values(
    ascending=False)
           

month
11    653074
10    596497
9     567806
12    556338
3     502101
8     452551
6     389880
5     384960
2     371871
1     370128
4     350604
7     324638
Name: Quantity, dtype: int64
           

绘制图形

# 绘制图形
x1 = df1[df1["Quantity"] > 0].groupby("month")["Quantity"].sum().sort_values(
    ascending=False)
trace_0 = go.Bar(x=x1.index.tolist(),
                 y=x1.values.tolist(),
                 marker=dict(opacity=0.8))
layout = go.Layout(title="各月份商品交易数量", xaxis=dict(title="月份"))
fig = go.Figure(data=trace_0, layout=layout)
fig.show()
           

x2 = df1[df1["T_Price"] > 0].groupby(
    "month")["T_Price"].sum().sort_values(ascending=False)
trace_0 = go.Bar(x=x2.index.tolist(), y=x2.values.tolist(),
                 marker=dict(opacity=0.8))
layout = go.Layout(title="各月份商品交易额", xaxis=dict(title="月份"))
fig = go.Figure(data=trace_0, layout=layout)
fig.show()
           

• 可以得到，交易额与交易数量两个角度均表明销售最佳的月份是11月，其次是12月，下半年优于上半年。

原因分析：可能是因为数据来自欧美，他们的重大节日在下半年较多，促销活动也较多

5、4 目标4：客单价是多少

# 目标4：客单价是多少
# 客单价 = 成交金额 / 成交用户数
sum_price = df1[df1["Quantity"] > 0]["T_Price"].sum()
count_no = df1[df1["Quantity"] > 0].groupby(
    df1["Customer_ID"]).count().shape[0]
avgPrice = sum_price / count_no
print(avgPrice)
           

2039.4607658785349
           

计算得出，平均客单价为2039元

5、5 目标5：用户行为分析

# 目标5：用户行为分析
# 从用户消费次数，用户消费金额，用户购买产品数量三个维度进行探讨
customer_c = df1[df1["Quantity"] > 0].groupby("Customer ID").agg({
    "Invoice":
    "nunique",
    "Quantity":
    np.sum,
    "T_Price":
    np.sum
})
customer_c.describe()
           

通过上诉统计信息我们可以得到：

• 近一年的时间里，客户平均消费频次为4次，消费次数最高的达到205次，大部分客户的消费频次都在5次以内
• 近一年的时间里，客户平均消费金额为2039，中位数为700元，消费金额最高的客户达到349164.35元，是我们需要重点关注的对象
• 从商品购买数量上看，大部分客户购买数量都在1000件以内

5、6 目标6：基于RFM模型，对用户进行分类

RFM模型简介：

RFM模型是衡量客户价值和客户创利能力的重要工具和手段。在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。RFM是Rencency（最近一次消费），Frequency（消费频率）、Monetary（消费金额），三个指标首字母组合。我们利用这3项指标来描述该客户的价值状况。

对比分析不同用户群体在时间、地区等维度下的交易量、交易金额，根据分析结果提出优化建议。

这儿提供一组分组客户分组及其对应的营销策略及指标

# 目标6：基于RFM模型，对用户进行分类
# 前期我们对Customer ID存在的缺失数据进行了删除（缺失率20.5%）
# 我们对缺失的客户ID进行常值填充（也可类似之前做删除处理，看个人选择）
online_data.info()
           

# 同上，删除Description缺失数据
df2 = online_data.dropna(subset=["Description"]).copy()
# Customer ID的缺失数据通过U填充（U:表示未知）
df2["Customer ID"] = df2["Customer ID"].fillna("U")
           

5、6、1 再次进行数据清洗

5、6、1、1 转换Customer ID的数据类型为str

# 转换Customer ID的数据类型为str
df2["Customer ID"] = df2["Customer ID"].astype(str)
df2.info()
           

5、6、1、2 处理日期

# 获取InvoiceDate日期部分
df2["InvoiceDate"] = df2["InvoiceDate"].dt.date
           

# 新建年，月，日三个特征
# 获取InvoiceDate年份
df2["year"] = pd.to_datetime(df2["InvoiceDate"]).dt.year
# 获取InvoiceDate月份
df2["month"] = pd.to_datetime(df2["InvoiceDate"]).dt.month
# 获取InvoiceDate 日
df2["day"] = pd.to_datetime(df2["InvoiceDate"]).dt.day
           

# 日期
df2["date"] = pd.to_datetime(df2["InvoiceDate"])
df2.drop(["InvoiceDate"], axis=1, inplace=True)
df2.info()
           

5、6、1、3 新建字段

# 新建一个销售总金额的字段 销售金额 = 单价 * 数量
df2["T_Price"] = df2["Quantity"] * df2["Price"]
           

5、6、1、4 重复值处理

# 重复值处理
df2 = df2.drop_duplicates()
           

5、6、1、5 异常值处理

# 异常值处理
df2.describe()
           

# 商品数量、单价存在负值或0
# 商品数量
df2_1 = df2.loc[df2["Quantity"] <= 0]
df2_1.info()
           

异常值占比： 0.02031349688849587
           

可能是退货

# 单价
df2_2 = df2.loc[df2["Price"] <= 0]
print("异常值占比：", df2_2.shape[0] / df2.shape[0])
           

异常值占比： 0.0014660624007353583
           

异常值占比： 0.0014660624007353583

350849 0.0

516202 0.0

Name: Price, dtype: float64

Price
-53594.36      1
-44031.79      1
-38925.87      1
 0.00        753
Name: Price, dtype: int64
           

单价为0的记录有759条，可能此类货品为赠品；为负的三条记录其Description均为Adjust bad debt

# 剔除退货相关的数据
df3 = df2.loc[(df2["Quantity"] > 0) & (df2["Price"] > 0)]
           

5、6、2 R、F、M

构建RFM值，并查看RFM信息，设置阈值

5、6、2、1 R

# R
# 客户最近一次消费时间
R_value = df3.groupby("Customer ID")["date"].max()
# 计算出客户最后一次消费距离某个截至日期的天数（以所有客户中最近一次消费时间为基准）
R = (df3["date"].max() - R_value).dt.days
           

# 绘图
sns.set(style="darkgrid")
sns.distplot(R, bins=25)
           

5、6、2、2 F

# 客户消费频率
F = df3.groupby("Customer ID")["Invoice"].nunique()
           

# 绘图
# 受客户ID未知U影响，我们只查看F<50的部分
sns.distplot(F[F < 50], bins=25)
           

5、6、2、3 M

# 客户的消费金额
M = df3.groupby("Customer ID")["T_Price"].sum()
           

M
           

# 同上受客户ID未知U影响，我们只查看M<10*(75% : 1.723450e+03)的部分
plt.hist(M[M < 1.723e+04], color="c", alpha=.8)
plt.show()
           

# 查看金额在75%内的分布：
plt.hist(M[M < 1.73e+03], bins=100, color="c", alpha=.8)
plt.show()
           

可见，客户ID缺失值用U填充对RFM值影响较大，接下来考虑删除缺失值，重复上述过程

# 剔除未知客户进行分析
df4 = df3[~(df3["Customer ID"] == "U")]
R1_value = df4.groupby("Customer ID")["date"].max()
R1 = (df4["date"].max() - R1_value).dt.days
F1 = df4.groupby("Customer ID")["Invoice"].nunique()
M1 = df4.groupby("Customer ID")["T_Price"].sum()
           

plt.hist(R1, bins=25, color="c", alpha=.5)
plt.show()
           

从图形上看，去掉U效果好了很多

plt.hist(F1[F1 < 50], color="c", alpha=.5)
plt.show()
           

count      4312.000000
mean       2040.399825
std        8911.756229
min           2.950000
25%         307.187500
50%         701.615000
75%        1712.512500
max      349164.350000
Name: T_Price, dtype: float64
           

plt.hist(M1, color="c", alpha=.5)
plt.show()
           

存在最大值349164干扰，导致图形展示效果较差，故调整展示范围

# 存在最大值349164
plt.hist(M[M < 2000], bins=100, color="c", alpha=.5)
plt.show()
           

5、6、3 用户分级

# 用户分级
# bins
R_bins = [0, 25, 50, 100, 200, 400]
F_bins = [1, 2, 5, 10, 100, 300]
M_bins = [0, 300, 600, 2000, 10000, 500000]

# 离散化
R_score = pd.cut(R1, R_bins, labels=[5, 4, 3, 2, 1], right=False)
F_score = pd.cut(F1, F_bins, labels=[1, 2, 3, 4, 5], right=False)
M_score = pd.cut(M1, M_bins, labels=[1, 2, 3, 4, 5], right=False)

RFM = pd.concat([R_score, F_score, M_score], axis=1)
RFM.rename(columns={
    "date": "R_score",
    "Invoice": "F_score",
    "T_Price": "M_score"
},
           inplace=True)
RFM.head()
           

转换数据类型

# 转换数据类型
RFM.info()
for i in ["R_score", "F_score", "M_score"]:
    RFM[i] = RFM[i].astype(float)
RFM.describe()
           

设定平均值为阈值，数值大于平均值这标记为“高”，小于均值标记为“低”

# 设定平均值为阈值，数值大于平均值这标记为“高”，小于均值标记为“低”
RFM["R"] = np.where(RFM["R_score"] > 3.337199, "高", "低")
RFM["F"] = np.where(RFM["F_score"] > 2.039889, "高", "低")
RFM["M"] = np.where(RFM["M_score"] > 2.554267, "高", "低")
           

5、6、4 拼接R、F、M

# 拼接R、F、M
RFM["value"] = RFM["R"].str[:] + RFM["F"].str[:] + RFM["M"].str[:]
           

5、6、5 定义分级函数

# 定义分级函数
def grade(x):
    if x == "高高高":
        return "重要价值客户"
    elif x == "低高高":
        return "重要保持客户"
    elif x == "高低高":
        return "重要发展客户"
    elif x == "低低高":
        return "重要挽留客户"
    elif x == "高高低":
        return "一般价值客户"
    elif x == "低高低":
        return "一般保持客户"
    elif x == "高低低":
        return "一般发展客户"
    else:
        return "一般挽留客户"
        
           

5、6、6 统计用户等级分布情况

RFM["grade"] = RFM["value"].apply(grade)
RFM["grade"].value_counts()
           

一般挽留客户 1294

重要价值客户 917

重要挽留客户 661

一般发展客户 634

重要发展客户 543

重要保持客户 241

一般价值客户 13

一般保持客户 9

Name: grade, dtype: int64

5、6、7 对结果可视化

#  对结果可视化
trace_1 = go.Bar(x=RFM["grade"].value_counts().index.tolist(),
                 y=RFM["grade"].value_counts().values.tolist(),
                 opacity=.5)
layout = go.Layout(title="用户等级信息", xaxis=dict(title="用户等级标签"))
fig = go.Figure(data=trace_1, layout=layout)
fig.show()
           

trace_2 = go.Pie(labels=RFM["grade"].value_counts().index.tolist(),
                 values=RFM["grade"].value_counts().values,
                 hole=0.35,
                 textfont=dict(size=12, color="white"))
layout = go.Layout(title="用户等级比例")
fig = go.Figure(data=trace_2, layout=layout)
fig.show()
           

5、7 目标7：退货订单分析

# 7、退货订单分析
# 退货金额合计
r = pd.pivot_table(df2_1,
                   index=["year"],
                   columns=["month"],
                   values=["T_Price"],
                   aggfunc={"T_Price": np.sum},
                   margins=False)
r.fillna(0)
           

# 计算退货率： 退货率 = 退货合计金额 / 总金额
# 总金额 (df3:剔除退货后的数据)
t = pd.pivot_table(df3,
                   index=["year"],
                   columns=["month"],
                   values=["T_Price"],
                   aggfunc={"T_Price": np.sum},
                   margins=False)
t.fillna(0)
           

# 退货率
r_rate = round(-r / t * 100, 5)
r_rate = r_rate.fillna(0)
r_rate.reset_index(drop=True,inplace=True)
           

r_rate
# r_rate.loc[1][:].tolist()
r_rate.loc[0].index.levels[1]
           

#  对结果可视化
trace_1 = go.Bar(x=r_rate.loc[0].index.levels[1].tolist(),
                 y=r_rate.loc[0].tolist(),
                 opacity=.5,
                 name="2009年")
trace_2 = go.Bar(x=r_rate.loc[0].index.levels[1].tolist(),
                 y=r_rate.loc[1][:].tolist(),
                 opacity=.5,
                 name="2010年")
layout = go.Layout(title="退货信息",
                   xaxis=dict(title="月份"),
                   yaxis=dict(title="退货率（百分比）"))
fig = go.Figure(data=[trace_1, trace_2], layout=layout)
fig.show()
           

6、总结

• 交易量前十的国家及其交易量分别为：

国家	交易量
United Kingdom	4430926
Denmark	229690
Netherlands	183679
EIRE	181413
France	162048
Germany	108633
Sweden	52417
Spain	22841
Switzerland	22255
Australia	20189

• 交易额前十的国家及其交易金额分别为：

国家	交易额
United Kingdom	7.414756e+06
EIRE	3.560852e+05
Netherlands	2.687860e+05
Germany	2.023953e+05
France	1.462154e+05
Sweden	5.317139e+04
Denmark	5.090685e+04
Spain	4.760142e+04
Switzerland	4.392139e+04
Australia	3.144680e+04

• 从交易额与交易数量两个角度均表明该公司销售最佳的月份是11月，其次是12月，下半年优于上半年。

  原因分析：可能是因为数据来自欧美，他们的重大节日在下半年较多，促销活动也较多

• 在2009-12到2010-12期间：平均客单价为2039元
• 2010年近一年的时间里，客户平均消费频次为4次，消费次数最高的达到205次，大部分客户的消费频次都在5次以内
• 这一年的时间里，客户平均消费金额为2039，中位数为700元，消费金额最高的客户达到349164.35元，是我们需要重点关注的对象
• 从商品购买数量上看，大部分客户购买数量都在1000件以内
• 通过RFM模型，我们将用户分为了8各类别。该公司用户数量最多的为一般挽留客户与重要价值客户，占总用户数的51.3%，其次为重要挽留客户与一般发展客户，共占总用户数的30%。公司可以参考此用户等级及其所占占比策划营销活动，有助于提升活动效果及营销费用的利用率
• 从退货情况来看，10年12月退货率明显偏高，可参考该月份及上月销售情况及内外部因素综合考虑，分析退货率高的原因。（提供几个思考方向：产品本身，销售渠道，价格，是否是促销，售后等方面）

以上便是我对这份零售数据进行的一次探索分析，相信其中会有很多不足之处，欢迎有缘读到此篇文章的小朋友们批评指正，如有能启发或帮助到你的地方，我将倍感荣幸。(●’◡’●)