短视频穿搭性别偏好分析程序，区分男女用户对潮流色彩，版型的不同偏好。

把短视频平台想象成一个巨大的数字试衣间，而算法就是那个拿着放大镜的造型师 👗。咱们这次不搞玄学猜测，直接用 Python 当“测色仪”和“版型扫描仪”，中立地拆解男女用户在穿搭偏好上的差异。

短视频穿搭性别偏好分析程序

(Short-Video Fashion Gender Preference Analyzer)

定位：教学级内容偏好分析与数据统计工具

语言：Python 3.10+

适用场景：时尚产业与品牌创新课程、用户画像分析、内容策略研究

一、实际应用场景描述

在短视频平台（如抖音、小红书、TikTok）上，穿搭内容已成为时尚品牌触达消费者的核心渠道。品牌在策划内容时，通常会面对这样的现实问题：

男性和女性用户在观看穿搭短视频时，偏好的色彩和版型是否不同？

例如：

- 女性用户是否更倾向于观看“莫兰迪色系”“柔和色调”的穿搭内容？

- 男性用户是否更关注“版型剪裁”“功能性设计”而非色彩本身？

- 同一套穿搭内容，在不同性别的用户群体中反馈是否存在显著差异？

这些问题直接影响：

- 短视频内容的选题方向

- 品牌在不同平台的投放策略

- 产品设计的性别化调整

本程序的目标是通过结构化的数据分析，量化不同性别用户对色彩与版型的偏好差异，而非依赖主观印象。

二、引入痛点（行业现实问题）

1. 偏好判断依赖经验而非数据

- 常见说法：“女生喜欢温柔色，男生喜欢黑白灰”

- 但缺乏可量化的统计结果支撑

- 内容策略容易陷入刻板印象

2. 数据来源分散，缺乏统一模型

- 色彩偏好：来自评论、标签、画面识别（不统一）

- 版型偏好：来自用户停留时长、完播率、互动行为

- 不同平台数据口径不一致，难以横向对比

3. 分析停留在描述层面

- 多数分析只做“男女比例”“点赞数对比”

- 缺少偏好强度与显著性的量化指标

- 无法回答“差异是否足够明显”这一问题

三、核心逻辑讲解（建模思路）

1. 核心假设（教学简化）

- 每条短视频包含若干色彩标签与版型标签

- 用户对视频的行为（观看、点赞、完播）作为偏好信号

- 通过聚合统计，分别计算男女用户对各类标签的偏好程度

2. 关键指标定义

指标 含义

"interaction_score" 用户互动综合得分（播放×权重₁ + 点赞×权重₂ + 完播×权重₃）

"preference_index" 偏好指数 = 某标签互动占比 / 基准占比

"gender_ratio_diff" 男女偏好差异度（男占比 − 女占比）

3. 核心公式

（1）互动得分计算

interaction_score = plays×0.3 + likes×0.5 + completions×0.2

（2）偏好指数（PI）

PI = (某性别对某标签的互动占比) / (该性别总体互动占比)

- PI > 1：该性别对该标签偏好高于平均水平

- PI < 1：偏好低于平均水平

（3）性别差异度

diff = male_ratio − female_ratio

四、项目结构

fashion-gender-preference/

│

├── README.md

├── USAGE.md

├── main.py

├── modules/

│ ├── data_loader.py # 数据加载与预处理

│ ├── interaction.py # 互动得分计算

│ ├── preference.py # 偏好指数计算

│ ├── comparison.py # 性别差异对比

│ └── reporter.py # 结果输出

└── config/

└── analysis.yaml

五、核心代码实现（Python）

1️⃣ 数据加载模块

"data_loader.py"

# data_loader.py

# 加载并清洗短视频穿搭数据

import yaml

import pandas as pd

def load_dataset(path: str) -> pd.DataFrame:

"""

加载 YAML 格式的数据集，转换为 DataFrame

"""

with open(path, "r", encoding="utf-8") as f:

raw = yaml.safe_load(f)

return pd.DataFrame(raw["videos"])

def normalize_gender(df: pd.DataFrame) -> pd.DataFrame:

"""

标准化性别字段，确保为 'male' / 'female'

"""

df = df.copy()

df["gender"] = df["gender"].str.lower()

return df

2️⃣ 互动得分计算

"interaction.py"

# interaction.py

# 计算用户互动综合得分

def calculate_interaction_score(row: dict, weights=None) -> float:

"""

根据播放、点赞、完播计算互动得分

weights = {

"play": 0.3,

"like": 0.5,

"complete": 0.2

}

"""

if weights is None:

weights = {"play": 0.3, "like": 0.5, "complete": 0.2}

score = (

row["plays"] * weights["play"]

+ row["likes"] * weights["like"]

+ row["completions"] * weights["complete"]

)

return round(score, 2)

3️⃣ 偏好指数计算

"preference.py"

# preference.py

# 计算性别维度的偏好指数（Preference Index）

def calculate_preference_index(df: pd.DataFrame, dimension: str) -> pd.DataFrame:

"""

按性别和标签计算偏好指数

dimension: 'color' 或 'silhouette'

"""

grouped = (

df.groupby(["gender", f"{dimension}_tag"])["interaction_score"]

.sum()

.reset_index()

)

gender_total = (

df.groupby("gender")["interaction_score"].sum().to_dict()

)

grouped["share_in_gender"] = grouped.apply(

lambda r: r["interaction_score"] / gender_total[r["gender"]], axis=1

)

overall_share = (

grouped.groupby(f"{dimension}_tag")["interaction_score"].sum()

/ grouped["interaction_score"].sum()

).to_dict()

grouped["preference_index"] = grouped.apply(

lambda r: r["share_in_gender"] / overall_share[r[f"{dimension}_tag"]],

axis=1,

)

return grouped

4️⃣ 性别差异对比

"comparison.py"

# comparison.py

# 对比男女偏好差异

def compare_gender_preference(pref_df: pd.DataFrame, dimension: str) -> pd.DataFrame:

"""

计算男女在各标签上的差异度

"""

pivot = pref_df.pivot(

index=f"{dimension}_tag",

columns="gender",

values="share_in_gender",

).fillna(0)

pivot["diff"] = pivot.get("male", 0) - pivot.get("female", 0)

return pivot.sort_values("diff", ascending=False)

5️⃣ 结果输出

"reporter.py"

# reporter.py

# 格式化输出分析结果

def print_preference_table(df: pd.DataFrame, dimension: str):

print(f"\n=== {dimension.upper()} 偏好指数 ===")

for _, row in df.iterrows():

print(

f" {row[f'{dimension}_tag']:<12} "

f"| 男: {row.get('preference_index_male', '-'):.3f} "

f"| 女: {row.get('preference_index_female', '-'):.3f}"

)

def print_gender_diff(diff_df: pd.DataFrame):

print("\n=== 性别偏好差异度（男 − 女）===")

for tag, row in diff_df.iterrows():

print(f" {tag:<12} | 差异度: {row['diff']:+.3f}")

6️⃣ 主程序

"main.py"

# main.py

import pandas as pd

from modules.data_loader import load_dataset, normalize_gender

from modules.interaction import calculate_interaction_score

from modules.preference import calculate_preference_index

from modules.comparison import compare_gender_preference

from modules.reporter import print_preference_table, print_gender_diff

def main():

df = load_dataset("config/analysis.yaml")

df = normalize_gender(df)

# 计算互动得分

df["interaction_score"] = df.apply(

calculate_interaction_score, axis=1

)

# 色彩偏好

color_pref = calculate_preference_index(df, "color")

color_diff = compare_gender_preference(color_pref, "color")

# 版型偏好

silhouette_pref = calculate_preference_index(df, "silhouette")

silhouette_diff = compare_gender_preference(silhouette_pref, "silhouette")

print("=" * 50)

print(" 短视频穿搭性别偏好分析报告")

print("=" * 50)

print_preference_table(color_pref, "color")

print_gender_diff(color_diff)

print_preference_table(silhouette_pref, "silhouette")

print_gender_diff(silhouette_diff)

if __name__ == "__main__":

main()

7️⃣ 配置文件

"config/analysis.yaml"

# 短视频穿搭数据集示例

videos:

- id: 1

gender: female

color_tag: pastel

silhouette_tag: oversized

plays: 12000

likes: 950

completions: 6200

- id: 2

gender: male

color_tag: dark

silhouette_tag: structured

plays: 9800

likes: 720

completions: 5100

- id: 3

gender: female

color_tag: vibrant

silhouette_tag: fitted

plays: 15400

likes: 1300

completions: 8100

- id: 4

gender: male

color_tag: neutral

silhouette_tag: relaxed

plays: 8200

likes: 610

completions: 4400

六、README.md

# 短视频穿搭性别偏好分析程序

教学级数据分析工具，用于量化短视频平台上男女用户对穿搭色彩与版型的偏好差异。

## 功能特点

- 基于互动行为（播放、点赞、完播）计算偏好强度

- 引入偏好指数（Preference Index）衡量偏离程度

- 支持色彩与版型两个维度的独立分析

- 输出性别差异度，便于内容策略制定

## 使用方法

bash

pip install pyyaml pandas

python main.py

## 适用对象

- 时尚产业与品牌创新课程

- 用户画像与内容分析

- 数据驱动的品牌策略教学

七、USAGE.md（使用说明）

# 使用说明

## 核心概念

### 偏好指数（Preference Index, PI）

- PI = 1：该性别对该标签的偏好等于平均水平

- PI > 1：偏好高于平均水平

- PI < 1：偏好低于平均水平

### 性别差异度

- 正值：男性偏好更强

- 负值：女性偏好更强

- 绝对值越大，差异越明显

## 数据准备

每条视频需包含：

- gender：用户性别（male / female）

- color_tag：色彩标签（如 pastel、dark）

- silhouette_tag：版型标签（如 oversized、structured）

- plays / likes / completions：互动数据

## 典型实验

### 实验 1：权重调整

- 修改互动得分权重（如提高完播率权重）

- 观察偏好排序是否发生变化

### 实验 2：标签粒度

- 将色彩标签细化（如 light-blue / dark-green）

- 分析更细致的用户偏好结构

### 实验 3：差异阈值设定

- 设定 |diff| > 0.1 为“显著差异”

- 用于筛选最具性别差异的内容方向

八、核心知识点卡片

┌──────────────────────────────────────┐

│ 偏好 ≠ 数量 │

│ 偏好是相对占比，而非绝对互动量 │

└──────────────────────────────────────┘

┌──────────────────────────────────────┐

│ 偏好指数（PI） │

│ 将“关注度”标准化为可比指标 │

│ 是市场细分分析的常用工具 │

└──────────────────────────────────────┘

┌──────────────────────────────────────┐

│ 性别差异度 │

│ 量化“谁更喜欢”，而非“谁更多” │

└──────────────────────────────────────┘

┌──────────────────────────────────────┐

│ 互动行为作为偏好代理 │

│ 在无法直接询问用户时，行为是可靠信号│

└──────────────────────────────────────┘

九、总结（中立立场）

本程序通过结构化数据分析，将“男女穿搭偏好不同”这一经验性认知转化为可量化、可验证的指标：

- 色彩偏好与版型偏好应分开建模，避免混淆

- 偏好指数比单纯计数更能反映真实倾向

- 性别差异度可用于指导内容方向与产品设计

需要强调的是：

- 本程序分析的是行为层面的偏好，不等同于态度或价值观

- 结果高度依赖样本结构与标签体系

- 应避免将分析结果固化为刻板印象

该程序适合用于：

- 时尚产业与品牌创新课程中的用户分析模块

- 数据素养与统计分析的教学案例

- Python 数据处理与聚合分析的编程练习

如需进一步扩展，可加入：

- 多平台数据合并（跨平台对比）

- 时间序列分析（偏好随季节变化）

- 可视化（柱状图、雷达图展示差异）

这套代码跑出来的结果，是不是有点像给不同性别的用户画了一幅“数字肖像”

利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！