Task 2数据分析

新闻推荐 Task 2 数据分析

数据分析是机器学习/深度学习中很重要的一部分，俗话说的好，再好的模型，输入不行，那也得是 “garbage in，garbage out”。所以，在在特征工程之前，对数据有一个整体的认知是很重要的。这次我们就来探索一下本次比赛数据的整体情况。

首先，载入数据

%matplotlib inline
# 数据相关
import pandas as pd
import numpy as np

# 可视化相关
import matplotlib.pyplot as plt
import seaborn as sns
plt.rc('font', family='SimHei', size=13)

# 系统，通知相关
import os,gc,re,warnings,sys
warnings.filterwarnings("ignore")

# 数据存放路径
path = '/home/admin/jupyter/data/'

# 读取训练集
trn_click = pd.read_csv(path+'train_click_log.csv')

item_df = pd.read_csv(path+'articles.csv')
item_df = item_df.rename(columns={'article_id': 'click_article_id'})  #重命名，方便后续match

item_emb_df = pd.read_csv(path+'articles_emb.csv')

# 读取测试集
tst_click = pd.read_csv(path+'testA_click_log.csv')

# 训练集包含的特征
trn_click.columns

Index(['user_id', 'click_article_id', 'click_timestamp', 'click_environment',
       'click_deviceGroup', 'click_os', 'click_country', 'click_region',
       'click_referrer_type'],
      dtype='object')

train_click_log.csv文件数据中每个字段的含义

1. user_id: 用户的唯一标识
2. click_article_id: 用户点击的文章唯一标识
3. click_timestamp: 用户点击文章时的时间戳
4. click_environment: 用户点击文章的环境
5. click_deviceGroup: 用户点击文章的设备组
6. click_os: 用户点击文章时的操作系统
7. click_country: 用户点击文章时的所在的国家
8. click_region: 用户点击文章时所在的区域
9. click_referrer_type: 用户点击文章时，文章的来源

数据预处理

# 对每个用户的点击时间戳进行排序
trn_click['rank'] = trn_click.groupby(['user_id'])['click_timestamp'].rank(ascending=False).astype(int)
tst_click['rank'] = tst_click.groupby(['user_id'])['click_timestamp'].rank(ascending=False).astype(int)

# 计算用户点击文章的次数，并添加新的一列count
trn_click['click_cnts'] = trn_click.groupby(['user_id'])['click_timestamp'].transform('count')
tst_click['click_cnts'] = tst_click.groupby(['user_id'])['click_timestamp'].transform('count')

trn_click.columns

Index(['user_id', 'click_article_id', 'click_timestamp', 'click_environment',
       'click_deviceGroup', 'click_os', 'click_country', 'click_region',
       'click_referrer_type', 'rank', 'click_cnts'],
      dtype='object')

新增特征

10. rank: 用户的点击时间排序
11. click_cnts: 用户点击文章的次数

查看数据

整体统计信息

trn_click = trn_click.merge(item_df, how='left', on=['click_article_id'])
trn_click.head(3).append(trn_click.tail(3)) # 头尾各3条数据

	user_id	click_article_id	click_timestamp	click_environment	click_deviceGroup	click_os	click_country	click_region	click_referrer_type	rank	click_cnts	category_id_x	created_at_ts_x	words_count_x	category_id_y	created_at_ts_y	words_count_y
0	199999	160417	1507029570190	4	1	17	1	13	1	11	11	281	1506942089000	173	281	1506942089000	173
1	199999	5408	1507029571478	4	1	17	1	13	1	10	11	4	1506994257000	118	4	1506994257000	118
2	199999	50823	1507029601478	4	1	17	1	13	1	9	11	99	1507013614000	213	99	1507013614000	213
1112620	0	157507	1508211702520	4	1	17	1	25	2	1	2	281	1508236945000	370	281	1508236945000	370
1112621	199178	234481	1508211513583	4	3	2	1	25	2	2	14	375	1508181572000	212	375	1508181572000	212
1112622	199178	233578	1508211543583	4	3	2	1	25	2	1	14	375	1508176010000	174	375	1508176010000	174

# 用户点击数据信息
trn_click.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 1112623 entries, 0 to 1112622
Data columns (total 17 columns):
user_id                1112623 non-null int64
click_article_id       1112623 non-null int64
click_timestamp        1112623 non-null int64
click_environment      1112623 non-null int64
click_deviceGroup      1112623 non-null int64
click_os               1112623 non-null int64
click_country          1112623 non-null int64
click_region           1112623 non-null int64
click_referrer_type    1112623 non-null int64
rank                   1112623 non-null int64
click_cnts             1112623 non-null int64
category_id_x          1112623 non-null int64
created_at_ts_x        1112623 non-null int64
words_count_x          1112623 non-null int64
category_id_y          1112623 non-null int64
created_at_ts_y        1112623 non-null int64
words_count_y          1112623 non-null int64
dtypes: int64(17)
memory usage: 152.8 MB

可见无缺失值

trn_click.describe() # 查看数据分布情况

	user_id	click_article_id	click_timestamp	click_environment	click_deviceGroup	click_os	click_country	click_region	click_referrer_type	rank	click_cnts	category_id_x	created_at_ts_x	words_count_x	category_id_y	created_at_ts_y	words_count_y
count	1.112623e+06	1.112623e+06	1.112623e+06	1.112623e+06	1.112623e+06	1.112623e+06	1.112623e+06	1.112623e+06	1.112623e+06	1.112623e+06	1.112623e+06	1.112623e+06	1.112623e+06	1.112623e+06	1.112623e+06	1.112623e+06	1.112623e+06
mean	1.221198e+05	1.951541e+05	1.507588e+12	3.947786e+00	1.815981e+00	1.301976e+01	1.310776e+00	1.813587e+01	1.910063e+00	7.118518e+00	1.323704e+01	3.056176e+02	1.506598e+12	2.011981e+02	3.056176e+02	1.506598e+12	2.011981e+02
std	5.540349e+04	9.292286e+04	3.363466e+08	3.276715e-01	1.035170e+00	6.967844e+00	1.618264e+00	7.105832e+00	1.220012e+00	1.016095e+01	1.631503e+01	1.155791e+02	8.343066e+09	5.223881e+01	1.155791e+02	8.343066e+09	5.223881e+01
min	0.000000e+00	3.000000e+00	1.507030e+12	1.000000e+00	1.000000e+00	2.000000e+00	1.000000e+00	1.000000e+00	1.000000e+00	1.000000e+00	2.000000e+00	1.000000e+00	1.166573e+12	0.000000e+00	1.000000e+00	1.166573e+12	0.000000e+00
25%	7.934700e+04	1.239090e+05	1.507297e+12	4.000000e+00	1.000000e+00	2.000000e+00	1.000000e+00	1.300000e+01	1.000000e+00	2.000000e+00	4.000000e+00	2.500000e+02	1.507220e+12	1.700000e+02	2.500000e+02	1.507220e+12	1.700000e+02
50%	1.309670e+05	2.038900e+05	1.507596e+12	4.000000e+00	1.000000e+00	1.700000e+01	1.000000e+00	2.100000e+01	2.000000e+00	4.000000e+00	8.000000e+00	3.280000e+02	1.507553e+12	1.970000e+02	3.280000e+02	1.507553e+12	1.970000e+02
75%	1.704010e+05	2.777120e+05	1.507841e+12	4.000000e+00	3.000000e+00	1.700000e+01	1.000000e+00	2.500000e+01	2.000000e+00	8.000000e+00	1.600000e+01	4.100000e+02	1.507756e+12	2.280000e+02	4.100000e+02	1.507756e+12	2.280000e+02
max	1.999990e+05	3.640460e+05	1.510603e+12	4.000000e+00	5.000000e+00	2.000000e+01	1.100000e+01	2.800000e+01	7.000000e+00	2.410000e+02	2.410000e+02	4.600000e+02	1.510666e+12	6.690000e+03	4.600000e+02	1.510666e+12	6.690000e+03

# 查看训练集中的用户数量
print("共{}名用户".format(trn_click.user_id.nunique()))

共200000名用户

# 训练集里面每个用户至少点击文章数
print("每位用户至少点击了{}篇文章".format(trn_click.groupby('user_id')['click_article_id'].count().min()))

每位用户至少点击了2篇文章

通过直方图查看基本属性分布

plt.figure()
plt.figure(figsize=(15, 20))
i = 1
for col in ['click_article_id', 'click_timestamp', 'click_environment', 'click_deviceGroup', 'click_os', 'click_country', 
            'click_region', 'click_referrer_type', 'rank', 'click_cnts']:
    plot_envs = plt.subplot(5, 2, i)
    i += 1
    v = trn_click[col].value_counts().reset_index()[:10]
    fig = sns.barplot(x=v['index'], y=v[col])
    for item in fig.get_xticklabels():
        item.set_rotation(90)
    plt.title(col)
plt.tight_layout()
plt.show()

从点击时间clik_timestamp来看，分布较为平均，可不做特殊处理。由于时间戳是13位的，后续将时间格式转换成10位方便计算。

从点击环境click_environment来看，仅有1922次（占0.1%）点击环境为1；仅有24617次（占2.3%）点击环境为2；剩余（占97.6%）点击环境为4。

从点击设备组click_deviceGroup来看，设备1占大部分（60.4%），设备3占36%。

测试集数据情况

tst_click = tst_click.merge(item_df, how='left', on=['click_article_id'])
tst_click.head(3).append(tst_click.tail(3))

	user_id	click_article_id	click_timestamp	click_environment	click_deviceGroup	click_os	click_country	click_region	click_referrer_type	rank	click_cnts	category_id_x	created_at_ts_x	words_count_x	category_id_y	created_at_ts_y	words_count_y
0	249999	160974	1506959142820	4	1	17	1	13	2	19	19	281	1506912747000	259	281	1506912747000	259
1	249999	160417	1506959172820	4	1	17	1	13	2	18	19	281	1506942089000	173	281	1506942089000	173
2	249998	160974	1506959056066	4	1	12	1	13	2	5	5	281	1506912747000	259	281	1506912747000	259
518007	207823	234481	1508211850103	4	3	2	1	25	1	3	14	375	1508181572000	212	375	1508181572000	212
518008	207823	211442	1508212189949	4	3	2	1	25	1	2	14	340	1508187720000	240	340	1508187720000	240
518009	207823	211401	1508212315718	4	3	2	1	25	1	1	14	340	1507747434000	243	340	1507747434000	243

tst_click.describe()

	user_id	click_article_id	click_timestamp	click_environment	click_deviceGroup	click_os	click_country	click_region	click_referrer_type	rank	click_cnts	category_id_x	created_at_ts_x	words_count_x	category_id_y	created_at_ts_y	words_count_y
count	518010.000000	518010.000000	5.180100e+05	518010.000000	518010.000000	518010.000000	518010.000000	518010.000000	518010.000000	518010.000000	518010.000000	518010.000000	5.180100e+05	518010.000000	518010.000000	5.180100e+05	518010.000000
mean	227342.428169	193803.792550	1.507387e+12	3.947300	1.738285	13.628467	1.348209	18.250250	1.819614	15.521785	30.043586	305.324961	1.506883e+12	210.966331	305.324961	1.506883e+12	210.966331
std	14613.907188	88279.388177	3.706127e+08	0.323916	1.020858	6.625564	1.703524	7.060798	1.082657	33.957702	56.868021	110.411513	5.816668e+09	83.040065	110.411513	5.816668e+09	83.040065
min	200000.000000	137.000000	1.506959e+12	1.000000	1.000000	2.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.265812e+12	0.000000	1.000000	1.265812e+12	0.000000
25%	214926.000000	128551.000000	1.507026e+12	4.000000	1.000000	12.000000	1.000000	13.000000	1.000000	4.000000	10.000000	252.000000	1.506970e+12	176.000000	252.000000	1.506970e+12	176.000000
50%	229109.000000	199197.000000	1.507308e+12	4.000000	1.000000	17.000000	1.000000	21.000000	2.000000	8.000000	19.000000	323.000000	1.507249e+12	199.000000	323.000000	1.507249e+12	199.000000
75%	240182.000000	272143.000000	1.507666e+12	4.000000	3.000000	17.000000	1.000000	25.000000	2.000000	18.000000	35.000000	399.000000	1.507630e+12	232.000000	399.000000	1.507630e+12	232.000000
max	249999.000000	364043.000000	1.508832e+12	4.000000	5.000000	20.000000	11.000000	28.000000	7.000000	938.000000	938.000000	460.000000	1.509949e+12	3082.000000	460.000000	1.509949e+12	3082.000000

# 查看测试集中的用户数量
print("共{}名用户".format(tst_click.user_id.nunique()))

共50000名用户

# 测试集里面每个用户至少点击文章数
print("每位用户至少点击了{}篇文章".format(tst_click.groupby('user_id')['click_article_id'].count().min()))

每位用户至少点击了1篇文章

新闻文章信息数据表

#新闻文章数据集浏览
item_df.head(3).append(item_df.tail(3))

	click_article_id	category_id	created_at_ts	words_count
0	0	0	1513144419000	168
1	1	1	1405341936000	189
2	2	1	1408667706000	250
364044	364044	460	1457974279000	177
364045	364045	460	1515964737000	126
364046	364046	460	1505811330000	479

item_df['words_count'].value_counts()

176     3485
182     3480
179     3463
178     3458
174     3456
183     3432
184     3427
173     3414
180     3403
177     3391
170     3387
187     3355
169     3352
185     3348
175     3346
181     3330
186     3328
189     3327
171     3327
172     3322
165     3308
188     3288
167     3269
190     3261
192     3257
168     3248
193     3225
166     3199
191     3182
194     3164
        ... 
601        1
857        1
1977       1
1626       1
697        1
1720       1
696        1
706        1
592        1
1605       1
586        1
582        1
1606       1
972        1
716        1
584        1
1608       1
715        1
841        1
968        1
964        1
587        1
1099       1
1355       1
711        1
845        1
710        1
965        1
847        1
1535       1
Name: words_count, Length: 866, dtype: int64

print(item_df['category_id'].nunique())     # 461个文章主题
item_df['category_id'].hist()

461​    

item_df.shape       # 364047篇文章

(364047, 4)

新闻文章embedding向量表示

item_emb_df.head(3).append(item_emb_df.tail(3))

	article_id	emb_0	emb_1	emb_2	emb_3	emb_4	emb_5	emb_6	emb_7	emb_8	...	emb_240	emb_241	emb_242	emb_243	emb_244	emb_245	emb_246	emb_247	emb_248	emb_249
0	0	-0.161183	-0.957233	-0.137944	0.050855	0.830055	0.901365	-0.335148	-0.559561	-0.500603	...	0.321248	0.313999	0.636412	0.169179	0.540524	-0.813182	0.286870	-0.231686	0.597416	0.409623
1	1	-0.523216	-0.974058	0.738608	0.155234	0.626294	0.485297	-0.715657	-0.897996	-0.359747	...	-0.487843	0.823124	0.412688	-0.338654	0.320786	0.588643	-0.594137	0.182828	0.397090	-0.834364
2	2	-0.619619	-0.972960	-0.207360	-0.128861	0.044748	-0.387535	-0.730477	-0.066126	-0.754899	...	0.454756	0.473184	0.377866	-0.863887	-0.383365	0.137721	-0.810877	-0.447580	0.805932	-0.285284
364044	364044	-0.251390	-0.976243	0.586097	0.643631	-0.663359	-0.093480	0.691553	-0.588281	0.902999	...	-0.162220	-0.242030	-0.476131	0.352132	-0.311279	0.460574	-0.653077	-0.143725	0.068093	-0.705010
364045	364045	0.224342	-0.923288	-0.381742	0.687890	-0.773911	-0.103629	-0.406486	0.246004	0.255191	...	-0.422999	0.390324	0.655911	-0.646753	-0.174031	0.698037	-0.317102	0.687132	-0.531512	0.010726
364046	364046	-0.257134	-0.994631	0.983792	-0.190975	-0.953720	-0.893823	0.708974	-0.557027	0.846842	...	-0.490481	-0.689666	-0.661846	0.490945	0.736526	0.667668	0.902130	0.983873	-0.838183	-0.179283

6 rows × 251 columns

item_emb_df.shape

(364047, 251)

数据分析

用户重复点击

# 综合分析
user_click_merge = trn_click.append(tst_click)

# 用户重复点击
user_click_count = user_click_merge.groupby(['user_id', 'click_article_id'])['click_timestamp'].agg({'count'}).reset_index()
user_click_count[:10]

	user_id	click_article_id	count
0	0	30760	1
1	0	157507	1
2	1	63746	1
3	1	289197	1
4	2	36162	1
5	2	168401	1
6	3	36162	1
7	3	50644	1
8	4	39894	1
9	4	42567	1

user_click_count[user_click_count['count']>7]

	user_id	click_article_id	count
311242	86295	74254	10
311243	86295	76268	10
393761	103237	205948	10
393763	103237	235689	10
576902	134850	69463	13

user_click_count['count'].unique()

array([ 1,  2,  4,  3,  6,  5, 10,  7, 13])

# 用户点击新闻次数
user_click_count.loc[:,'count'].value_counts() 

1     1605541
2       11621
3         422
4          77
5          26
6          12
10          4
7           3
13          1
Name: count, dtype: int64

可以看出：有1605541（约占99.2%）的用户未重复阅读过文章，仅有极少数用户重复点击过某篇文章。 这个也可以单独制作成特征

用户点击环境变化分析

def plot_envs(df, cols, r, c):
    plt.figure()
    plt.figure(figsize=(10, 5))
    i = 1
    for col in cols:
        plt.subplot(r, c, i)
        i += 1
        v = df[col].value_counts().reset_index()
        fig = sns.barplot(x=v['index'], y=v[col])
        for item in fig.get_xticklabels():
            item.set_rotation(90)
        plt.title(col)
    plt.tight_layout()
    plt.show()

# 分析用户点击环境变化是否明显，这里随机采样10个用户分析这些用户的点击环境分布
sample_user_ids = np.random.choice(tst_click['user_id'].unique(), size=10, replace=False)
sample_users = user_click_merge[user_click_merge['user_id'].isin(sample_user_ids)]
cols = ['click_environment','click_deviceGroup', 'click_os', 'click_country', 'click_region','click_referrer_type']
for _, user_df in sample_users.groupby('user_id'):
    plot_envs(user_df, cols, 2, 3)

<Figure size 432x288 with 0 Axes>

<Figure size 432x288 with 0 Axes>

<Figure size 432x288 with 0 Axes>

<Figure size 432x288 with 0 Axes>

<Figure size 432x288 with 0 Axes>

<Figure size 432x288 with 0 Axes>

<Figure size 432x288 with 0 Axes>

<Figure size 432x288 with 0 Axes>

<Figure size 432x288 with 0 Axes>

<Figure size 432x288 with 0 Axes>

可以看出绝大多数数的用户的点击环境是比较固定的。思路：可以基于这些环境的统计特征来代表该用户本身的属性。

### 用户点击新闻数量的分布

user_click_item_count = sorted(user_click_merge.groupby('user_id')['click_article_id'].count(), reverse=True)
plt.plot(user_click_item_count)

[<matplotlib.lines.Line2D at 0x7fbc87832da0>]

​

​

可以根据用户的点击文章次数看出用户的活跃度

# 点击次数在前50的用户
plt.plot(user_click_item_count[:50])

[<matplotlib.lines.Line2D at 0x7fbc9183a240>]

​

点击次数排前50的用户的点击次数都在100次以上。思路：我们可以定义点击次数大于等于100次的用户为活跃用户，这是一种简单的处理思路， 判断用户活跃度，更加全面的是再结合上点击时间，后面我们会基于点击次数和点击时间两个方面来判断用户活跃度。

# 点击次数排名在[25000:50000]之间
plt.plot(user_click_item_count[25000:50000])

[<matplotlib.lines.Line2D at 0x7fbc918be908>]

​

可以看出点击次数小于等于两次的用户非常的多，这些用户可以认为是非活跃用户

新闻点击次数分析

item_click_count = sorted(user_click_merge.groupby('click_article_id')['user_id'].count(), reverse=True)

plt.plot(item_click_count)

[<matplotlib.lines.Line2D at 0x7fbc8a07acc0>]

​

plt.plot(item_click_count[:100])

[<matplotlib.lines.Line2D at 0x7fbc8f025358>]

​

可以看出点击次数最多的前100篇新闻，点击次数大于1000次

plt.plot(item_click_count[:20])

[<matplotlib.lines.Line2D at 0x7fbc940354a8>]

​

​

点击次数最多的前20篇新闻，点击次数大于2500。思路：可以定义这些新闻为热门新闻， 这个也是简单的处理方式，后面我们也是根据点击次数和时间进行文章热度的一个划分

plt.plot(item_click_count[3500:])

[<matplotlib.lines.Line2D at 0x7fbc940b97f0>]

​

​

可以发现很多新闻只被点击过一两次。思路：可以定义这些新闻是冷门新闻

新闻共现频次：两篇新闻连续出现的次数

tmp = user_click_merge.sort_values('click_timestamp')
tmp['next_item'] = tmp.groupby(['user_id'])['click_article_id'].transform(lambda x:x.shift(-1))
union_item = tmp.groupby(['click_article_id','next_item'])['click_timestamp'].agg({'count'}).reset_index().sort_values('count', ascending=False)
union_item[['count']].describe()

	count
count	433597.000000
mean	3.184139
std	18.851753
min	1.000000
25%	1.000000
50%	1.000000
75%	2.000000
max	2202.000000

由统计数据可以看出，平均共现次数2.88，最高为1687。

说明用户看的新闻，相关性是比较强的。

#画个图直观地看一看
x = union_item['click_article_id']
y = union_item['count']
plt.scatter(x, y)

<matplotlib.collections.PathCollection at 0x7fbc9186cd30>

​

​

plt.plot(union_item['count'].values[40000:])

[<matplotlib.lines.Line2D at 0x7fbbcda35630>]

​

​

大概有70000个pair至少共现一次

新闻文章信息

user_click_merge.columns

Index(['user_id', 'click_article_id', 'click_timestamp', 'click_environment',
       'click_deviceGroup', 'click_os', 'click_country', 'click_region',
       'click_referrer_type', 'rank', 'click_cnts', 'category_id_x',
       'created_at_ts_x', 'words_count_x', 'category_id_y', 'created_at_ts_y',
       'words_count_y'],
      dtype='object')

# 不同类型的新闻出现的次数
plt.plot(user_click_merge['category_id_x'].value_counts().values)

[<matplotlib.lines.Line2D at 0x7fbc8a142710>]

​

​

# 出现次数比较少的新闻类型, 有些新闻类型，基本上就出现过几次
plt.plot(user_click_merge['category_id_y'].value_counts().values[150:])

[<matplotlib.lines.Line2D at 0x7fbc8a184f60>]

​

#新闻字数的描述性统计
user_click_merge['words_count_x'].describe()

count    1.630633e+06
mean     2.043012e+02
std      6.382198e+01
min      0.000000e+00
25%      1.720000e+02
50%      1.970000e+02
75%      2.290000e+02
max      6.690000e+03
Name: words_count_x, dtype: float64

plt.plot(user_click_merge['words_count_x'].values)

[<matplotlib.lines.Line2D at 0x7fbc8a0c9e10>]

​

​

用户点击的新闻类型的偏好

此特征可以用于度量用户的兴趣是否广泛。

plt.plot(sorted(user_click_merge.groupby('user_id')['category_id_x'].nunique(), reverse=True))

[<matplotlib.lines.Line2D at 0x7fbc8f0a7908>]

​

​

从上图中可以看出有一小部分用户阅读类型是极其广泛的，大部分人都处在20个新闻类型以下。

user_click_merge.groupby('user_id')['category_id_x'].nunique().reset_index().describe()

	user_id	category_id_x
count	250000.000000	250000.000000
mean	124999.500000	4.573188
std	72168.927986	4.419800
min	0.000000	1.000000
25%	62499.750000	2.000000
50%	124999.500000	3.000000
75%	187499.250000	6.000000
max	249999.000000	95.000000

用户查看文章的长度的分布

通过统计不同用户点击新闻的平均字数，这个可以反映用户是对长文更感兴趣还是对短文更感兴趣。

plt.plot(sorted(user_click_merge.groupby('user_id')['words_count_x'].mean(), reverse=True))

[<matplotlib.lines.Line2D at 0x7fbbcd964a90>]

​

从上图中可以发现有一小部分人看的文章平均词数非常高，也有一小部分人看的平均文章次数非常低。

大多数人偏好于阅读字数在200-400字之间的新闻。

#挑出大多数人的区间仔细看看
plt.plot(sorted(user_click_merge.groupby('user_id')['words_count_x'].mean(), reverse=True)[1000:45000])

[<matplotlib.lines.Line2D at 0x7fbbccf4e4e0>]

​

​

可以发现大多数人都是看250字以下的文章

# 更加详细的参数
user_click_merge.groupby('user_id')['words_count_x'].mean().reset_index().describe()

	user_id	words_count_x
count	250000.000000	250000.000000
mean	124999.500000	205.830189
std	72168.927986	47.174030
min	0.000000	8.000000
25%	62499.750000	187.500000
50%	124999.500000	202.000000
75%	187499.250000	217.750000
max	249999.000000	3434.500000

用户点击新闻的时间分析

# 为了更好的可视化，这里把时间进行归一化操作
from sklearn.preprocessing import MinMaxScaler
mm = MinMaxScaler()
user_click_merge['click_timestamp'] = mm.fit_transform(user_click_merge[['click_timestamp']])
user_click_merge['created_at_ts_x'] = mm.fit_transform(user_click_merge[['created_at_ts_x']])

user_click_merge = user_click_merge.sort_values('click_timestamp')

user_click_merge.head()

	user_id	click_article_id	click_timestamp	click_environment	click_deviceGroup	click_os	click_country	click_region	click_referrer_type	rank	click_cnts	category_id_x	created_at_ts_x	words_count_x	category_id_y	created_at_ts_y	words_count_y
18	249990	162300	0.000000	4	3	20	1	25	2	5	5	281	0.989186	193	281	1506945129000	193
2	249998	160974	0.000002	4	1	12	1	13	2	5	5	281	0.989092	259	281	1506912747000	259
30	249985	160974	0.000003	4	1	17	1	8	2	8	8	281	0.989092	259	281	1506912747000	259
50	249979	162300	0.000004	4	1	17	1	25	2	2	2	281	0.989186	193	281	1506945129000	193
25	249988	160974	0.000004	4	1	17	1	21	2	17	17	281	0.989092	259	281	1506912747000	259

def mean_diff_time_func(df, col):
    df = pd.DataFrame(df, columns={col})
    df['time_shift1'] = df[col].shift(1).fillna(0)
    df['diff_time'] = abs(df[col] - df['time_shift1'])
    return df['diff_time'].mean()

# 点击时间差的平均值
mean_diff_click_time = user_click_merge.groupby('user_id')['click_timestamp', 'created_at_ts_x'].apply(lambda x: mean_diff_time_func(x, 'click_timestamp'))

plt.plot(sorted(mean_diff_click_time.values, reverse=True))

从上图可以发现不同用户点击文章的时间差是有差异的

# 前后点击文章的创建时间差的平均值
mean_diff_created_time = user_click_merge.groupby('user_id')['click_timestamp', 'created_at_ts_x'].apply(lambda x: mean_diff_time_func(x, 'created_at_ts_x'))

plt.plot(sorted(mean_diff_created_time.values, reverse=True))

从图中可以发现用户先后点击文章，文章的创建时间也是有差异的

# 用户前后点击文章的相似性分布
item_idx_2_rawid_dict = dict(zip(item_emb_df['article_id'], item_emb_df.index))

del item_emb_df['article_id']

item_emb_np = np.ascontiguousarray(item_emb_df.values, dtype=np.float32)

# 随机选择5个用户，查看这些用户前后查看文章的相似性
sub_user_ids = np.random.choice(user_click_merge.user_id.unique(), size=15, replace=False)
sub_user_info = user_click_merge[user_click_merge['user_id'].isin(sub_user_ids)]

sub_user_info.head()

def get_item_sim_list(df):
    sim_list = []
    item_list = df['click_article_id'].values
    for i in range(0, len(item_list)-1):
        emb1 = item_emb_np[item_idx_2_rawid_dict[item_list[i]]]
        emb2 = item_emb_np[item_idx_2_rawid_dict[item_list[i+1]]]
        sim_list.append(np.dot(emb1,emb2)/(np.linalg.norm(emb1)*(np.linalg.norm(emb2))))
    sim_list.append(0)
    return sim_list

for _, user_df in sub_user_info.groupby('user_id'):
    item_sim_list = get_item_sim_list(user_df)
    plt.plot(item_sim_list)

从图中可以看出有些用户前后看的商品的相似度波动比较大，有些波动比较小，也是有一定的区分度的