阿里天池：淘宝用户行为分析项目

数据来源：阿里天池 - 淘宝用户商品行为数据
（在这里仅选用表名为 “tianchi_mobile_recommend_train_user” 中的数据，用作淘宝用户行为分析）

---

项目未完待续，持续更新中。。。

---

一、项目背景

本数据分析报告，以阿里天池的淘宝平台交易数据集为基础，通过行业指标对淘宝用户行为进行分析，从而探索电商行业用户行为模式，并从拉新、留存、促活、转化等多运营维度提出优化建议。

• 具体指标包括：PV、UV、付费率、复购率、漏斗流失分析、用户价值RFM分析等。
• 具体分析方法：多维度拆解分析、对比分析、假设检验、复合指标分析等。

二、数据概览

表名：tianchi_mobile_recommend_train_user
包含了抽样出来的一定量用户在一个月时间（11.18~12.18）之内的移动端行为数据。

字段	字段说明	提取说明
user_id	用户标识	抽样&字段脱敏
item_id	商品表示	字段脱敏
behavior_type	用户对商品的行为类型	1 浏览、2 收藏、3 加购、4 购买
user_geohash	用户位置的空间标识，可以为空	由经纬度通过保密的算法生成
item_category	商品分类标识	字段脱敏
time	行为事件	精确到小时

三、分析思路（多维度拆解）

本次分析的目的是提高销量，将采用对比分析、多维度拆解分析、漏斗模型、RFM模型等方法，并从以下四个维度进一步拆解，通过假设检验、复合指标分析等方式，寻找优化切入点，并提出改进建议。

四、数据清洗

4.1 缺失值处理

missing_count = data.isnull().sum()
missing = missing_count[missing_count>0].sort_values(ascending=False)
missing

[Out] user_geohash 8334824 dtype: int64

缺失值仅有地理位置这一项，而由于该项经过加密处理，可作为机器学习特征，而购买行为做预测，但对于实际行为分析意义不大，因此暂时不考虑该项。

4.2 一致化处理（时间类别）

# 从 time 特征中提取出 date 与 hour，方便在不改变原数据的基础上，得到利于后续分析的时间类别
data['date'] = data['time'].map(lambda x: re.compile(' ').split(x)[0])
data['hour'] = data['time'].map(lambda x: re.compile(' ').split(x)[1])

# 将数据中的 time 与 date 转换为 datetime 类别，将 hour 类别转换为数字类别
data['time'] = pd.to_datetime(data['time'])
data['date'] = pd.to_datetime(data['date'])
data['hour'] = data['hour'].astype('int64')

4.3 异常值处理

由于数据多为时间数据、id数据，describe() 得出结果意义不大，因此采用可视化的方式，观察指标。

# behavior_type：查看是否仅有 [1, 2, 3,