【我的数据挖掘竞赛之旅（一）】快手活跃用户预测——2018中国高校计算机大赛第三届之大数据挑战赛(Big Data Challenge)

大赛

第三届BDC——快手活跃用户预测

全称

2018中国高校计算机大赛——大数据挑战赛(Big Data Challenge)

地址

https://www.kesci.com/home/competition/5cb80fd312c371002b12355f

前言

不知道你是否遇到过这样的一些疑惑，就是涉足一个新领域的时候，比如数据挖掘，先非常努力的花时间学习python，numpy，pandas，scipy，sklearn这些基础知识，但是当后面真的遇到实际问题的时候，却不知道如何下手去分析，再回头想掏之前学会的工具时，发现这些工具依然在，但已记不清它们的使用说明。难不成之前学习过的这些都白学了？ 其实不是的，这些工具都在，只不过我们之前没有真正的去用过它， 所以，比赛就是一个让我们大展身手的舞台，通过解决实际问题，我们才能真正掌握之前的工具，也是学习知识的一个融合，毕竟解决实际问题，需要各个领域的知识交融和碰撞。在这个过程中，我们还可以认识一些志同道合的伙伴，一起进步和交流，进行思维的碰撞并得到成长。

所以这个数据竞赛修炼系列我会把我的所思所学都记录下来并分享，一是因为解决问题的思路可以迁移和变换，这样或许会帮助更多的人，二是通过整理和总结，可以使得知识和技能在自己脑海中逗留的时间长一些吧。

首先声明这个系列的每一篇都会很长，并且会有一大波代码来袭，毕竟每一篇都是一个完整的数据竞赛，每一篇都需要很长的时间消化整理，因为我想用最朴素，最详细的语言把每个比赛的思路和代码说给你听。

今天是数据竞赛修炼笔记的第一篇，带来的比赛是2018年科赛网上的一个比赛快手用户活跃度的预测，我们拿到了一份快手平台记录的关于快手用户的30天一个行为数据集(记录用户注册，登录，视频观看与发布，互动的记录），我们的目标就是根据这个行为数据集预测在未来七天的活跃用户。
首先我们会对任务的目标和数据进行分析，然后会概览模型的架构，从模型的角度提取特征和标签构建数据集，然后基于tensorflow建立模型并训练得到结果。最后会再结合一些好的解决方案，对解决这个问题的思路和知识点进行总结。

大纲如下：

• 任务目标与数据分析
• 整理模型架构
• 构建用户特征，生成汇总表
• 制作标签
• 建立模型并训练，得到最后的结果
• 知识点和思路的总结（两个知识点温习：pandas的iterrows()和groupby()）

一、任务目标与数据分析

开始之前，需要导入包：

import numpy as np
import pandas as pd
import tensorflow as tf
from deep_tools import f
from deep_tools import DataGenerator

1.数据集介绍

app_launch_log.txt 用户30天内登陆的日子

user_activity_log.txt 用户行为数据集 比如对哪个视频进行了点赞转发

user_register_log.txt 用户当前是在哪天进行注册的

video_create_log.txt 视频的创建

2.数据集说明

为期30天的用户数据
但是如果是第七天注册的，就没有前七天的数据
我们这里就是一个月的用户数据
难点：所有用户的长度不是固定的！！！
解决：从哪天注册的就从哪天算起，预测未来一个周期的活跃度，比如从第七天的预测第14天的、第21天的活跃度这样。

3.读取数据并命名列名

import pandas as pd

register = pd.read_csv('./data/user_register_log.txt',sep='\t',names=['user_id', 'register_day', 'register_type', 'device_type'])
launch = pd.read_csv('./data/app_launch_log.txt',sep='\t', names = ['user_id', 'launch_day'] )# sep="\t" 表示以tab(制表符)为分隔符
create = pd.read_csv('./data/video_create_log.txt',sep='\t', names = ['user_id', 'create_day'])
activity = pd.read_csv('./data/user_activity_log.txt', sep='\t', names = ['user_id', 'act_day','page', 'video_id', 'author_id', 'act_type'])

4.查看每个数据集的前五行

（1）注册日志

register.head()

注册日志说明

第一列是用户的id，第二列是注册的时间，不是具体的某一天，1就是第一天，第三列是当前注册的类型，类似于微信登陆，手机登录等等，第四列是设备类型，脱敏后数据，直接拿过来用

（2）APP启动日志

launch.head()

APP启动日志说明

第一列是用户id，第二天是启动app的天，是启动的某一天，比如330966用户在4,9，11,12都启动了

（3）拍摄日志

create.head()

拍摄日志说明

只有这个用户的id和用户在哪一天创建了视频

（4）行为日志

activity.head()

行为日志说明

用户id，进行行为的哪一天，行为发生在哪一页（比如自己的主页），操作了什么视频id，看的作者的id，操作的动作是什么（比如点赞，转发）

二、整体模型架构

目的：预测一个二分类
方法还是很多的，比如xgboost，神经网络都可以

我们拿到的是序列数据
比如一个用户第七天到第三十天的数据，预测第37天的数据

我们打算用RNN神经网络来做，如果要预测第37 天的可以根据前的每一天都预测一下下一个七天的数据

活跃：当天有登陆就是活跃的为1，label序列可以构建出来的，11100001110101011001类似的

以上就是RNN的基本模型架构

三、构建用户特征序列

这个月第一天注册的用户序列数有30
第二天注册的用户序列数只有29
···
第三十天注册的用户序列数就只有1
那我们要查看一下数据的这个情况

给register表多加一个序列长度seq_length

#给register表多加一个序列长度seq_length
register['seq_length'] = 31-register['register_day']
register.head()

构建字典存储用户在持续时间内，不同日期的数据
序列为1的：【用户id，用户id】
序列为2的：【用户id，用户id】
······················
序列为30的：【用户id，用户id】

# 会产生user_queue = {1:[], 2:[], 3:[], ...,30:[]}
user_queue = {
   i:[] for i in range(1,31)}

当前用户里面的索引和值都提取出来，row[-1]就是注册的长度，row[0]就是用户的id。（取到注册的长度，把用户的id放进去）
实现：

for index,row in register.iterrows():
    user_queue[row[-1]].append(row[0])

user_queue

我们模型中的t1，t2，tn都需要传入数据的

比如用户持续了三十天

构造数据：

构建数据特征：

class user_seq:
    
    def __init__(self,register_day,seq_length,n_features):
        self.register = register_day
        self.seq_length = seq_length
        self.array = np.zeros([self.seq_length,n_features])#构建矩阵：持续天数*特征个数，后续新创建的特征来往里面填充
        self.array[0,0] = 1
        self.page_rank = np.zeros([self.seq_length])
        self.pointer = 1
    def put_feature(self, feature_number, string):
        for i in stringing.split(','):
            pos, value = i.split(':')#注册第几天进行了登陆,1为指示符
            self.array[int(pos) - self.register_day, feature_number] = 1
    def put_PR(self,string):
        for i in string.split(','):
            pos, value = i.split(':')
            self.page_rankge_rank[int(pos) - self.register_day] = value
            
    def get_array(self):
        return self.array
    def get_label(self):
        self.label = np.array([BNone]*self.seq_length)
        active  =self.array[:,:10].sum(axis =1)
        for i in range(self.seq_length-7):
            self.label[i]  =1*(np.sum(active[i+1:i+8])>0)
        return self.lable 
        

n_features = 12
data = {
   row[0]:user_seq(register_day=row[1],seq_length=row[-1], n_features = n_features) for index, row in register.iterrows()}

data

在注册日志中的每一个样本进行操作的
每一个id都对应着特征
data的结果是
每一个id对应着一个特征矩阵
不过到此为止特征矩阵里面的值都是0

四、序列特征提取方法

我们要在特征中进行选择了，一共有十二个特征

1.登陆信息

预处理次数每个用户每天登陆的次数设置为1

launch.head()

launch['launch'] = 1
launch.head()

重复出现的数据进行加和,处理一天登录多次
比如一直出现用户id为16 登录天数为第23天

launch_table = launch.groupby(['user_id','launch_day'], as_index = False).agg({
   'launch':'sum'})

launch_table.head()

我们要把它整理成这种格式

自己定义的将表格变成用户特征序列表

def record_to_sequence(table):   #得到用户特征序列表
	table.columns=['user_id','day','value']
    table.sort_values(by=['user_id','day'],inplace=True)
    table['string']=table.day.map(str)+':'+table.value.map(str)
    table=table.groupby(['user_id'],as_index=False).agg({
   'string':lambda x:','.join(x)})
    return table

launch_table = record_to_sequence(launch_table)
launch_table.head()

for index,row in launch_table.iterrows():
    data[row[0]].put_feature(1,row[1])

data

五、生成特征汇总表

2.创作视频信息

create.head()