python实现淘宝用户行为分析

前言： 博主是一个正在学习数据分析的21届普通大学学生,在看到许多厉害的大学博主,自己也想尝试一下记录自己的成长,主要以交流学习为主有错误望指出，会虚心学习🐢🐢🐢

项目背景和前言

背景： 现在电商行业发展越来越好,而竞争也越来越大。要想在营销运营上快竞争对手一步,利用现有数据分析用户行为进行精准营销,用户画像以及营销活动变得越来越重要。

数据来源：天池淘宝数据

数据介绍：数据截取了淘宝双12那一个月的用户行为数据,（行为包含点击、购买、加购、喜欢），行为时间戳，产品ID和产品类别ID。

用户ID：整数类型，序列化后的用户ID；
商品ID：整数类型，序列化后的商品ID；
商品类目ID：整数类型，序列化后的商品所属类目ID
行为类型：字符串，包括（“pv”:相当于点击，“buy”:商品购买，“cart”:将商品加入购物车，“fav”:收藏商品）
时间戳：行为发生的时间戳

工具：python3.8 pandas numpy等

分析大纲

分析流程: 提出问题–>数据清洗–>数据分析–>得出总结和建议

分析流程

1.提出问题

• 用户的活跃的时间段
• 用户行为转化率情况
• 用户复购率如何
• 用户的具体分类,如何把用户分类为有价值用户
• 商品销售符不符合二八定律（帕累托分析）

2 .数据清洗

#  导入数据 处理数据(处理时间戳，缺失值处理，删除geo列)
df = pd.read_csv('./tianchi_mobile_recommend_train_user.csv')
df = df.dropna()
#把数据自带的字符时间转换成datetime对象,可以更好的拿出需要的时间段
time = pd.to_datetime(df['time'])
df['day'] = time.dt.time
df['week'] = time.dt.weekday
df['date'] = time.dt.date
#删除无用数据列
del df['time'],df['user_geohash']
# 把用户行为对应成相对应的pv collect buy
behavior = {
   1:'pv',2:'collect',3:'cart',4:'buy'}
df['behavior_type'] = df['behavior_type'].replace([1,2,3,4],['pv','collect','cart','buy'])
df.head()

3. 数据分析

 3.1 流量分析    --->>   3.1.1总体流量分析

#总体流量，收藏，加购，下单
total_liu = df.groupby(['behavior_type']).size()
#总UV
# total_uv = df['user_id'].drop_duplicates().count()
total_uv = len(df['user_id'].unique())
print("总体流量为：\n",total_liu)
print(" ")
print("总体UV为： \n",total_uv)

总体流量为：
 behavior_type
buy          3221
cart         8690
collect      6239
pv         302279
dtype: int64
 
总体UV为： 
 6425

3.1.2每日流量分析

#每日流量
#每日PV,收藏，加购，下单
day_liu = df.groupby(['date','behavior_type']).size().unstack()
#每日UV
daily_uv = df.groupby('date')['user_id'].apply(lambda x: x.drop_duplicates().count()).reset_index().rename(columns={
   'user_id':'uv'})
daily_uv.plot(figsize = (12,3))

#由于购买,收藏，加入购物车无法看清,所以还要进行单独plot
for i in day_liu.columns:
    plt.figure()
    ax = day_liu[i].plot(figsize