机器学习案例实战分享 | 购买者行为分析（一）

背景与挖掘目标

Part.1

案例背景

随着互联网的发展，电子商务已成为世界经济重要的组成部分。人们在不同的电商平台上浏览商品，然后直接下单购买，这一流程相比于传统商业省去了很多环节，在提高效率的同时还降低了交易双方的成本。电商平台为了对买卖双方提供高效和体验良好的交易服务，不断地更新平台功能，令客户更高效地获得感兴趣或是有购买意愿的商品。

平台业务功能的实现基于海量客户行为数据的反馈分析结果，而购物优惠活动、主题购物节和平台功能效果实现等运营情况，也可以由购买者的行为数据衡量优劣。

Part.2

案例目标

（ 1 ）流量指标分析：通过分析不同时间维度的 PV 和 UV 指标，探索这个月内平台的客户流量情况，并结合可视化分析结果进行总结；

（ 2 ）客户购买情况分析：从客户的成交率、付费率、购买数、复购率和购买商品情况等分析角度挖掘客户在该平台的购买情况、客户购买力、客户对该平台的忠诚度和客户长购商品等，并结合可视化分析结果进行总结；

（ 3 ）客户行为漏斗分析：运用漏斗分析挖掘客户行为转变的转化率，例如客户“点击”行为转变为“支付”行为的转化率；

（ 4 ）客户群体分类：使用 RFM 模型对客户群体分类，并绘制雷达图，结合分类结果分析客户价值。同时依据客户群体特点提供针对性的运营措施。

分析方法与过程

💻对购买行为数据预处理前，需要先对购买数据进行采集。本案例利用Python网络爬虫技术对购买数据进行采集。由于本案例的重点是对通过两个纬度进行客户流量分析，且网络数据的爬取具有时效性，因此，本案例不再详细介绍数据的采集过程。以下分析所使用的数据与分析结果，仅作为范例参考。

Part.1

购买行为数据预处理

为了更全面、多方位的对数据有一个更好的了解，找出数据中需要进行处理的缺失值、异常值、重复值和其他需要进行数据清洗的问题，现在对数据进行探索性分析。

先对数据进行数据类型换，修改列索引，再用.drop()函数删除空值，.drop_duplicate()函数去除重复值之后,再用sort_values()排序函数，对每一列数据进行排序，然后查看每一列的部分数据。购买行为数据预处理的代码如代码清单1所示。

#对其中的label进行重命名  dt = dt.rename (columns = {'user_id' : '用户名' , 'item_id' : '商品名' ,  'behavior_type' : '用户行为类型' , 'user_geohash' : '地理位置' , ' item_category' : '品类名' , 'CustomerID' : '用户名' , 'time' : '行为时间' })
#计算缺失（缺失数/总和）dt.apply (lamba x : sum (x.isnull () / len (x)) 
#对时间数据进行处理，将日期与小时数据分开 dt['date'] = dt['行为时间'].str[0:10]dt['hour'] = dt['行为时间'].str[11:]dt['date'] = pd.to_datetime (dt['date'])dt['行为时间'] = pd.to_datetime (dt['行为时间']dt['hour'] = dt['hour'].astype('int64')dt.sample(5)

⭐ ⭐ ⭐

运行结果

通过以上运行结果的数据可以得出：有8列数据，一共有12256906条购买记录，对没有价值的空值进行去除。

对去除后的数据进行探索性分析，可以得到该数据需要处理的地方即缺失值、异常值、重复值、多余值并对其进行相关操作。

Python购买者行为分析（二）请留意后续发布