§01
四联图版
Four Plates, One Dataset
图 2
LTV 序列比对
多序列生命周期价值曲线叠加比对，滚轮缩放、拖拽平移，点击数据点查看明细。
COHORT-A
COHORT-B
COHORT-C
图 3
OncoPrint 事件图
仿生物信息学 OncoPrint：行是客户序列，列是生命周期阶段，事件类型分色标注。
UPGRADE
RETAIN
CHURN-RISK
图 4
相关性热力图
序列间相关系数矩阵热力图，辅助识别相似行为模式与群体聚类结构。
PEARSON r · SEQUENCES × PHASES
图 5
原始数据表格
传统表格视图直达原始数据，加载任意 CSV 即可分析，支持导出。
UTF-8 CSV · LTV_DATA_PATH
§02
分析方法
Methods系统在四联图版之外提供一整套交互式分析工作流：从序列筛选到异常检测， 再到时间序列预测。所有计算在本地完成，数据不离开你的磁盘。
- M-1序列筛选与时间范围
- 关键词过滤目标序列，起止时间索引限定观察窗口，毫秒级重绘。
- M-2统计指标
- 一键计算各序列均值、标准差、极值，快速刻画分布特征。
- M-3趋势线拟合
- 线性趋势叠加于原始曲线，识别长期增长或衰退的客户群体。
- M-4异常检测
- 基于 Z-score 的离群点标记，异常行为一眼可辨。
- M-5预测（ARIMA / LSTM）
- 可选安装 statsmodels / tensorflow；未安装时自动回退到线性回归与移动平均方法1。
- M-6主题与配置
- 深 / 浅色主题切换，配置写入 config.json 持久化，LTV_DATA_PATH 环境变量优先。
§03
规格与复现
Materials & Reproduction- 语言
- Python 3.8+
- GUI
- PyQt5
- 绘图
- pyqtgraph · matplotlib · seaborn
- 数据
- pandas · numpy · scikit-learn · scipy
- 可选
- statsmodels（ARIMA）· tensorflow（LSTM）
- 打包
- PyInstaller · 单文件 spec
# 1 — 创建并激活虚拟环境 $ python -m venv .venv $ .venv\Scripts\activate.bat # 2 — 安装核心依赖（分层依赖，体积可控） $ pip install -r requirements.txt # 3 — 可选：ARIMA 预测 $ pip install statsmodels==0.14.0 # 4 — 运行分析系统 $ python main.py
1 数据文件置于 data/transposed_data.csv，或以环境变量
LTV_DATA_PATH 指定路径；依赖自检可运行 python check_dependencies.py。