天池新人实战赛o2o优惠券使用预测三

还是继续进行数据分析和思考：

data = pd.read_csv('ccf_offline_stage1_train.csv')
d1 = data['Merchant_id']
print(d1.value_counts())

输出排名前列和后列的商户ID：
3381 142190
450 73866
5341 66747
760 60280
2934 40645
2709 37085
……
1657 1
8832 1
5342 1
644 1
8582 1
明显：有好多大商家，感觉小商家很可怜的……
输出排名前列后列的用户ID：

d1 = data1['User_id']
print(d1.value_counts())

5054119 264
2751537 155
2949273 137
6655171 136
4840568 134
……
5656800 1
3561697 1
1446120 1
1452271 1
8196 1

明显：有好多土豪在@^@，有人买了264次，直观感觉这种估计以后还是会买买买
同理、统计线上信息：
商户ID：
18907 429622
14305 350246
15813 107860
26203 99939
54402 84713
见鬼了，好像和线下的商户完全不一样啊，应该是线上线下商户就不会一样
用户ID：
14015266 5786
10039831 4344
5669480 4108
10114198 3923
13362266 3305
晕倒，线上土豪更猛，并且和线下也不一样啊，看来线上线下土豪属于不同品种

同理观察测试集合信息：
商户ID：
760 29958
450 12042
5717 7464
5138 6827
3621 5510
1300 4975
2050 4803
1469 3093
7717 2690
2436 2070
用户ID：
6977597 97
1243042 94
5378522 54
2805645 42
2117872 39
3034207 30
7126629 28
5958607 28
测试商户是否重复：结论有很多重复的

data = pd.read_csv('ccf_offline_stage1_train.csv')
data[data.Merchant_id==760]

商家ID 线下数据组数
760 60280
450 73866
5717 16509
5138 1439

测试用户是否重复：结论有很多重复的
用户ID 线下数据组数
6977597 49
1243042 111
5378522 65
2805645 12

就是因为有很多重复，所以我们才能可以做预测。
目前的直观想法：
统计各个商户的等级，将商户的销售能力做个打分，作为一个特征
统计各个用户的等级，将用户的购买能力做个打分，作为一个特征
当然销售优惠，距离是非常自然的特征