淘宝用户行为可视化分析

一、数据介绍

来源：https://tianchi.aliyun.com/dataset/dataDetail?dataId=46
数据集包括了淘宝APP的10000个用户在2014年11月18日至2014年12月18日之间的行为记录。

变量	描述
user_id	用户ID
item_id	商品ID
behavior_type	用户行为类型（1=点击、2=收藏、3=加购物车、4=支付）
user_geohash	地理位置（加密）
item_category	商品种类ID
time	用户行为发生的时间

二、数据预处理

import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
import seaborn as sns
import time
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS'] #MAC显示中文

df=pd.read_csv('tianchi_mobile_recommend_train_user.csv')
df.shape #(12256906, 6)
df.head()
>>>
    user_id    item_id behavior_type user_geohash item_category  \
0  98047837  232431562             1          NaN          4245   
1  97726136  383583590             1          NaN          5894   
2  98607707   64749712             1          NaN          2883   
3  98662432  320593836             1      96nn52n          6562   
4  98145908  290208520             1          NaN         13926   

            time      
0  2014-12-06 02 
1  2014-12-09 20 
2  2014-12-18 11 
3  2014-12-06 10 
4  2014-12-16 21

1. 缺失值

df.isnull().sum()
>>>
user_id                0
item_id                0
behavior_type          0
user_geohash     8334824
item_category          0
time                   0
date                   0
hour                   0
date_str               0
dtype: int64

只有地理位置这一列有大量缺失。由于地理位置信息被加密过，无法使用，可将此列直接删除。

2. 时间序列处理

将time分为日期和小时

df['date']=df['time'].str.split().str[0]
df['date']=pd.to_datetime(df['date'])
df['hour']=df['time'].str.split().str[1]

3. 数据类型转换

int/float -> object

df['user_id']=df['user_id'].astype('object')
df['item_id']=df['item_id'].astype('object')
df['behavior_type']=df['behavior_type'].astype('object')
df['item_category']=df['item_category'].astype('object')

4. 异常值

df1=df.drop(['user_geohash', 'time'], axis=1)
df1.describe(include='all')
>>>
           user_id      item_id  behavior_type  item_category  \
count   12256906.0   12256906.0     12256906.0     12256906.0   
unique     10000.0    2876947.0            4.0         8916.0   
top     36233277.0  112921337.0            1.0         1863.0   
freq       31030.0       1445.0     11550581.0       393247.0   
first           NaN          NaN            NaN            NaN   
last           NaN          NaN            NaN            NaN   

                       date      hour  
count              12256906  12256906  
unique                   31        24  
top     2014-12-12 00:00:00        21  
freq                 691712   1090178  
first    2014-11-18 00:00:00       NaN  
last    2014-12-18 00:00:00       NaN  

未发现异常值。

三、用户行为分析

1. PV、UV

PV（页面访问量）：即Page View，即页面浏览量或点击量，用户每次刷新即被计算一次。
UV（独立访客数）：即Unique Visitor，访问您网站的一台电脑客户端为一个访客。

1.1 每日访问量/访客数

daily_pv=df1.groupby('date')['user_id'].count().reset_index()
daily_uv=df1.groupby('date')['user_id'].nunique().reset_index()
# 画图
tick=list(range(0, 30, 4))
fig=plt.figure(figsize=(8,5))
ax1=fig.add_subplot()
ax2 = ax1.twinx(