赛题背景
讯飞开放平台针对不同行业、不同场景提供相应的AI能力和解决方案,赋能开发者的产品和应用,帮助开发者通过AI解决相关实际问题,实现让产品能听会说、能看会认、能理解会思考。
用户新增预测是分析用户使用场景以及预测用户增长情况的关键步骤,有助于进行后续产品和应用的迭代升级。
赛事任务
本次大赛提供了讯飞开放平台海量的应用数据作为训练样本,参赛选手需要基于提供的样本构建模型,预测用户的新增情况。
赛题数据集
赛题数据由约62万条训练集、20万条测试集数据组成,共包含13个字段。其中uuid为样本唯一标识,eid为访问行为ID,udmap为行为属性,其中的key1到key9表示不同的行为属性,如项目名、项目id等相关字段,common_ts为应用访问记录发生时间(毫秒时间戳),其余字段x1至x8为用户相关的属性,为匿名处理字段。target字段为预测目标,即是否为新增用户。
Baseline:
# 1. 导入需要用到的相关库
# 导入 pandas 库,用于数据处理和分析
import pandas as pd
# 导入 numpy 库,用于科学计算和多维数组操作
import numpy as np
# 从 sklearn.tree 模块中导入 DecisionTreeClassifier 类
# DecisionTreeClassifier 用于构建决策树分类模型
from sklearn.tree import DecisionTreeClassifier
# 2. 读取训练集和测试集
# 使用 read_csv() 函数从文件中读取训练集数据,文件名为 'train.csv'
train_data = pd.read_csv('用户新增预测挑战赛公开数据/train.csv')
# 使用 read_csv() 函数从文件中读取测试集数据,文件名为 'test.csv'
test_data = pd.read_csv('用户新增预测挑战赛公开数据/test.csv')
# 3. 将 'udmap' 列进行 One-Hot 编码
# 数据样例:
# udmap key1 key2 key3 key4 key5 key6 key7 key8 key9
# 0 {'key1': 2} 2 0 0 0 0 0 0 0 0
# 1 {'key2': 1} 0 1 0 0 0 0 0 0 0
# 2 {'key1': 3, 'key2': 2} 3 2 0 0 0 0 0 0 0
# 在 python 中, 形如 {'key1': 3, 'key2': 2} 格式的为字典类型对象, 通过key-value键值对的方式存储
# 而在本数据集中, udmap实际是以字符的形式存储, 所以处理时需要先用eval 函数将'udmap' 解析为字典
# 具体实现代码:
# 定义函数 udmap_onethot,用于将 'udmap' 列进行 One-Hot 编码
def udmap_onethot(d):
v = np.zeros(9) # 创建一个长度为 9 的零数组
if d == 'unknown': # 如果 'udmap' 的值是 'unknown'
return v # 返回零数组
d = eval(d) # 将 'udmap' 的值解析为一个字典
for i in range(1, 10): # 遍历 'key1' 到 'key9', 注意, 这里不包括10本身
if 'key' + str(i) in d: # 如果当前键存在于字典中
v[i-1] = d['key' + str(i)] # 将字典中的值存储在对应的索引位置上
return v # 返回 One-Hot 编码后的数组
# 注: 对于不理解的步骤, 可以逐行 print 内容查看
# 使用 apply() 方法将 udmap_onethot 函数应用于每个样本的 'udmap' 列
# np.vstack() 用于将结果堆叠成一个数组
train_udmap_df = pd.DataFrame(np.vstack(train_data['udmap'].apply(udmap_onethot)))
test_udmap_df = pd.DataFrame(np.vstack(test_data['udmap'].apply(udmap_onethot)))
# 为新的特征 DataFrame 命名列名
train_udmap_df.columns = ['key' + str(i) for i in range(1, 10)]
test_udmap_df.columns = ['key' + str(i) for i in range(1, 10)]
# 将编码后的 udmap 特征与原始数据进行拼接,沿着列方向拼接
train_data = pd.concat([train_data, train_udmap_df], axis=1)
test_data = pd.concat([test_data, test_udmap_df], axis=1)
# 4. 编码 udmap 是否为空
# 使用比较运算符将每个样本的 'udmap' 列与字符串 'unknown' 进行比较,返回一个布尔值的 Series
# 使用 astype(int) 将布尔值转换为整数(0 或 1),以便进行后续的数值计算和分析
train_data['udmap_isunknown'] = (train_data['udmap'] == 'unknown').astype(int)
test_data['udmap_isunknown'] = (test_data['udmap'] == 'unknown').astype(int)
# 5. 提取 eid 的频次特征
# 使用 map() 方法将每个样本的 eid 映射到训练数据中 eid 的频次计数
# train_data['eid'].value_counts() 返回每个 eid 出现的频次计数
train_data['eid_freq'] = train_data['eid'].map(train_data['eid'].value_counts())
test_data['eid_freq'] = test_data['eid'].map(train_data['eid'].value_counts())
# 6. 提取 eid 的标签特征
# 使用 groupby() 方法按照 eid 进行分组,然后计算每个 eid 分组的目标值均值
# train_data.groupby('eid')['target'].mean() 返回每个 eid 分组的目标值均值
train_data['eid_mean'] = train_data['eid'].map(train_data.groupby('eid')['target'].mean())
test_data['eid_mean'] = test_data['eid'].map(train_data.groupby('eid')['target'].mean())
# 7. 提取时间戳
# 使用 pd.to_datetime() 函数将时间戳列转换为 datetime 类型
# 样例:1678932546000->2023-03-15 15:14:16
# 注: 需要注意时间戳的长度, 如果是13位则unit 为 毫秒, 如果是10位则为 秒, 这是转时间戳时容易踩的坑
# 具体实现代码:
train_data['common_ts'] = pd.to_datetime(train_data['common_ts'], unit='ms')
test_data['common_ts'] = pd.to_datetime(test_data['common_ts'], unit='ms')
# 使用 dt.hour 属性从 datetime 列中提取小时信息,并将提取的小时信息存储在新的列 'common_ts_hour'
train_data['common_ts_hour'] = train_data['common_ts'].dt.hour
test_data['common_ts_hour'] = test_data['common_ts'].dt.hour
# 8. 加载决策树模型进行训练(直接使用sklearn中导入的包进行模型建立)
clf = DecisionTreeClassifier()
# 使用 fit 方法训练模型
# train_data.drop(['udmap', 'common_ts', 'uuid', 'target'], axis=1) 从训练数据集中移除列 'udmap', 'common_ts', 'uuid', 'target'
# 这些列可能是特征或标签,取决于数据集的设置
# train_data['target'] 是训练数据集中的标签列,它包含了每个样本的目标值
clf.fit(
train_data.drop(['udmap', 'common_ts', 'uuid', 'target'], axis=1), # 特征数据:移除指定的列作为特征
train_data['target'] # 目标数据:将 'target' 列作为模型的目标进行训练
)
# 9. 对测试集进行预测,并保存结果到result_df中
# 创建一个DataFrame来存储预测结果,其中包括两列:'uuid' 和 'target'
# 'uuid' 列来自测试数据集中的 'uuid' 列,'target' 列将用来存储模型的预测结果
result_df = pd.DataFrame({
'uuid': test_data['uuid'], # 使用测试数据集中的 'uuid' 列作为 'uuid' 列的值
'target': clf.predict(test_data.drop(['udmap', 'common_ts', 'uuid'], axis=1)) # 使用模型 clf 对测试数据集进行预测,并将预测结果存储在 'target' 列中
})
# 10. 保存结果文件到本地
# 将结果DataFrame保存为一个CSV文件,文件名为 'submit.csv'
# 参数 index=None 表示不将DataFrame的索引写入文件中
result_df.to_csv('submit.csv', index=None)
分数:0.627
具体实践步骤:
首先导入了需要用到的库,包括 pandas和“决策树分类器”等。接着读取数据:通过使用 pd.read_csv 函数从文件中读取训练集和测试集数据,将其存储在数据框中。
再者对特征工程进行处理, 使用udmap_onethot 函数进行了预处理,将其转换为一个长度为9的向量,表示每个key是否存在。对 udmap 特征进行编码,生成 udmap_isunknown 特征。将处理后的 udmap 特征与原始数据拼接起来,形成新的数据框。最后使用决策树模型训练和预测,使用 fit 函数对训练集中的特征和目标进行拟合,训练了决策树模型。将预测结果和相应的 uuid 组成一个DataFrame,将其保存submit.csv 文件中。
EDA:
# 时间数据处理
train_data['common_ts_hour'] = train_data['common_ts'].dt.hour
test_data['common_ts_hour'] = test_data['common_ts'].dt.hour
train_data['common_ts_day'] = train_data['common_ts'].dt.day
test_data['common_ts_day'] = test_data['common_ts'].dt.day
train_data['commons_ts_week']=train_data['common_ts'].dt.isocalendar().week.astype(np.float32)
test_data['commons_ts_week']=test_data['common_ts'].dt.isocalendar().week.astype(np.float32)
# 对数据x8进行分析处理
train_data['x8_freq'] = train_data['x8'].map(train_data['x8'].value_counts()).astype(int)
test_data['x8_freq'] = test_data['x8'].map(train_data['x8'].value_counts()).astype(int)
train_data['x8_mean'] = train_data['x8'].map(train_data.groupby('x8')['target'].mean()).astype(int)
test_data['x8_mean'] = test_data['x8'].map(train_data.groupby('x8')['target'].mean()).astype(int)
test_data
# 使用train_data.info() 进行查看分析。
train_data.info()
train_data_finall=train_data.drop(['udmap','common_ts','uuid','target','x3'],axis=1).astype(np.float32).isna().sum(axis=0)
test_data_finall=test_data.drop(['udmap','common_ts','uuid','x3'],axis=1).astype(np.float32).isna().sum(axis=0)
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 620356 entries, 0 to 620355
Data columns (total 39 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 uuid 620356 non-null int64
1 eid 620356 non-null int64
2 udmap 620356 non-null object
3 common_ts 620356 non-null datetime64[ns]
4 x1 620356 non-null int64
5 x2 620356 non-null int64
6 x3 620356 non-null int64
7 x4 620356 non-null int64
8 x5 620356 non-null int64
9 x6 620356 non-null int64
10 x7 620356 non-null int64
11 x8 620356 non-null int64
12 target 620356 non-null int64
13 udmap_isunknown 620356 non-null int64
14 key1 620356 non-null float64
15 key2 620356 non-null float64
16 key3 620356 non-null float64
17 key4 620356 non-null float64
18 key5 620356 non-null float64
19 key6 620356 non-null float64
20 key7 620356 non-null float64
21 key8 620356 non-null float64
22 key9 620356 non-null float64
23 eid_freq 620356 non-null int64
24 eid_mean 620356 non-null float32
25 eid_std 620356 non-null float32
26 common_ts_hour 620356 non-null int64
27 common_ts_day 620356 non-null int64
28 commons_ts_week 620356 non-null float32
29 x1_freq 620356 non-null int64
30 x1_mean 620356 non-null int64
31 x2_freq 620356 non-null int64
32 x2_mean 620356 non-null int64
33 x6_freq 620356 non-null int64
34 x6_mean 620356 non-null int64
35 x7_freq 620356 non-null int64
36 x7_mean 620356 non-null int64
37 x8_freq 620356 non-null int64
38 x8_mean 620356 non-null int64
dtypes: datetime64[ns](1), float32(3), float64(9), int64(25), object(1)
memory usage: 177.5+ MB