聚类分析在用户行为中的实例_《数据分析实战》书中案例分析 - 进阶篇（三）：用户行为分析【决策树分析】 - python实现...

分析进阶篇(三)：通过决策树分析，探明具有哪些行为的用户会是长期用户

案例背景：

《黑猫游戏》相比其他应用，很多用户开始游戏后不久就离开了。

为改善这种情况，通过数据分析探明，开始游戏后，什么样的用户行为能促使用户今后也持续登录游戏，从而帮助改进游戏设计。

由于用户在初期的游戏行为，主要包括3类：战斗、协作、发送消息，那么，通过量化这3类社交行为(每日行为发送次数、每日行为比率、每日行为次数的主成分数据)，来参与分析。

同时，如果把所有分析属性放在一起分析，得到的结果可能难以解释。可以通过先将各分析属性和各自的社交行为进行聚类，以得到的类作为自变量。这样，我们就能清楚知道，哪种分析属性用来分析哪种社交行为最能解释模型。

模型的因变量，选择用户一周时间内的登录密度(登陆天数/7)

时间区间的切分——

以用户开始游戏后一周内(0-6天)的行为数据作为自变量，

登陆密度的计算，则通过下一周(7-13天)数据得到。

使用数据：

●DAU：日活数据

●Install：用户安装数据，包括用户属性等

●战斗行为日志：某一天，某个用户，战斗行为发生的次数

●发送消息行为日志：某一天，某个用户，发送消息行为发生的次数

●协作行为日志：某一天，某个用户，协作行为发生的次数

分析流程：加载常用库

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

%matplotlib inline

import sklearn

import seaborn as sns读入数据

path = 'yourpath/R/sample-data/section9/daily/'

install_path = 'yourpath/R/sample-data/section9/snapshot/install/game-01/2013-09-30/install.csv'

datearray = pd.date_range('2013-06-01','2013-08-31',freq='D')

datedau = pd.date_range('2013-06-01','2013-09-30',freq='D')

from datetime import datetime

dau = pd.DataFrame()

for i in datedau:

date = datetime.date(i)

app_name = 'game-01'

path_small = path

path_pro = f'{path_small}dau/{app_name}/{date}/dau.csv'

data = pd.read_csv(path_pro)

data = pd.DataFrame(data)

dau = pd.concat([dau,data],ignore_index=True,axis=0)

battle = pd.DataFrame()

for i in datearray:

date = datetime.date(i)

app_name = 'game-01'

path_small = path

path_pro = f'{path_small}action/{app_name}/battle/{date}/battle.csv'

data = pd.read_csv(path_pro)

data = pd.DataFrame(data)

battle = pd.concat([battle,data],ignore_index=True,axis=0)

help1 = pd.DataFrame()

for i in datearray:

date = datetime.date(i)

app_name = 'game-01'

path_small = path

path_pro = f'{path_smal