Python实战06：电商用户行为分析与聚类

📮 求内推

👩 个人简介：听障人，96年，计算机专业（本科），从事数据分析工作
🛠 语言与工具：包括但不限于Python、SQL、tableaubi、finebi、powerbi。
💻 期望岗位：数据分析、数据运营、报表开发等（hc偏技术方向）
📍 期望城市：杭州

背景描述

本数据集汇集了某个电商平台的用户基本信息、行为习惯和互动数据。它包括用户的年龄、性别、居住地区、收入水平等基本属性，以及他们的兴趣偏好、登录频率、购买行为和平台互动等动态指标。 数据集关注的焦点在于电商领域，旨在通过用户行为的深入分析，揭示其偏好和需求。通过这些数据，商家能够更好地理解消费者，制定有效的市场策略，满足用户期望，推动业务发展。

数据说明

问题描述

用户活跃分析
用户分群

数据清洗及预览

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

from sklearn.cluster import KMeans # 聚类算法
from sklearn.preprocessing import StandardScaler # 标准化
from sklearn.metrics import silhouette_score # 轮廓系数
from sklearn.metrics import davies_bouldin_score # 计算簇间相似度
from sklearn.decomposition import PCA # 降维

df = pd.read_csv(r'\user_personalized_features.csv',index_col=['Unnamed: 0'])
display(df.head())
print('-'*50)
print("该数据集维度为：",df.shape)
print('-'*50)
print("该数据集重复值个数：\n",df.duplicated().sum())
print('-'*50)
print("该数据集缺失值个数：\n",df.isna().sum())
print('-'*50)
print("该数据集的基本信息：\n")
display(df.info())
print('-'*50)
print("该数据集的描述统计：")
display(df.describe())

解读：

Age：电商用户的年龄主要分布在18-64岁之间，平均年龄为40岁。由于29~52岁占了总体的50%，因此年龄分布呈现中年集中的现象。

Income：电商用户的收入主要分布在20155-149951元之间，平均收入为81305元，表示用户收入差异较大。其中中位数为81042元，表示有一半用户超过了此水平，但高收入群体较小，约占了总体4/1，而大部分用户收入则较为密集分布在中等水平上。

Last_Login_Days_Ago：电商用户距离上次登录的时间天数主要分布在1-29天之间，平均距离上次登录时间为15.5天。其中25%分位数为8天，表示25%用户在最近8天内有登录行为，意味着有75%用户距离上次登录的时间超过8天，大多数用户可能不够活跃。

Purchase_Frequency：电商用户的购买频率主要分布在0-9次之间，平均为4.6次。其中25%分位数为2次，表示有25%用户的购买率较低下，中位数为5次，表示有一半的用户购买行为较为频繁。

Average_Order_Value：电商用户下单的平均金额主要分布在10-199元之间，平均金额为104元。其中中位数为105元，体现了用户倾向中等价位的购物策略。75%订单不超过150元，表示高价位的产品可能比较少。整体消费偏好经济实惠。

Total_Spending：电商用户消费的总金额主要分布在112-4999元之间，平均总金额为2553元。其中25%分位数为1271元，表示有25%用户消费能力较低。25%到75%的跨度，随着消费的增加，用户体量可能会随之减少，75%到100%的用户可能更少。

Time_Spent_on_Site_Minutes：电商用户在平台上停留时间主要分布在2-599分钟之间，平均停留时间为297分钟。其中25%分位数为144分钟，意味着有75%用户在该平台停留时间超过约2个小时。

Pages_Viewed：电商用户浏览页数主要分布在1-49页之间，平均浏览页数为24.4页。其中25%分位数为12页，意味着有75%用户浏览的页数超过12页。

# category_unique = ['Gender','Location','Interests','Product_Category_Preference']
# for name in category_unique:
#     print(f'{name}：{df[name].unique()}')


# 使用for判断特征是否object类型再取唯一值。
for name in df.iloc[:,1:].columns:
    if df[name].dtypes == 'object':
        print(f'{name}：{df[name].unique()}')

描述性可视化(分类特征)

fig = plt.figure(figsize=(15,13))

# 使用循环生成多个子图，减少代码冗余
cols = ['Gender','Location','Interests','Product_Category_Preference','Newsletter_Subscription']

# enumerate()用于同时遍历一个可迭代对象的索引和值
for i,col in enumerate(cols,1):
    ax = fig.add_subplot(2,3,i)
    if df[col].dtypes == 'bool':
        sns.histplot(data=df[col],ax=ax,discrete=True) # discrete=True 设置此列为离散数据
        ax.set_xticks([0,1])
        ax.set_xticklabels(labels = ['False','True'])
    else:
        sns.histplot(data=df[col],ax=ax)
        
    if df[col].dtypes == 'object':
        # 明确x轴刻度位置即刻度数量
        ax.set_xticks(range(len(df[col].unique())))
        # 设置x轴刻度标签及旋转
        ax.set_xticklabels(labels=df[col].unique(),rotation=20)
        
    ax.set_title(f'{col}分布')
    ax.set_xlabel(f'{col}')
    ax.set_ylabel('number')