Spark+ES+ClickHouse 构建DMP用户画像(2)

Spark+ES+ClickHouse 构建DMP用户画像(2)

---

提示：以下是本篇文章正文内容

一、什么是用户画像？

标签是用户画像的核心，但是用户画像不是标签的组合，要结合业务同时随着时间而变化。

二、用户画像的形成？

1.生成用户统一标识
2.给用户打标签（属性标签、消费标签、行为标签、内容标签）
3.用户画像和业务关联（获客、粘客、留客）

三、标签的分类？

用户属性、用户行为、用户消费

四、标签生成的角度

统计类型：需要使用聚合函数计算后得到的标签 例如总消费金额
规则匹配类型： 例如人口属性、用户生命周期
挖掘类型： 例如用户偏好

五、标签的类型-从数据提取的角度

事实标签：从事生产系统获取数据
模型标签：对用户属性和行为进行聚类
预测标签：基于用户属性和行为，挖掘用户潜在需求

六、如何构建高质量的用户画像

人口属性!=用户画像
用户的行为是构成用户与用户之间差异化的核心
观察用户行为不是观察他做了什么事情，而是观察他做这件事情的动机是什么

七、用户画像流程

明确问题-》数据预处理-》特征工程-》模型算法

示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。

二、使用步骤

1.引入库

代码如下（示例）：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import  ssl
ssl._create_default_https_context = ssl._create_unverified_context

2.读入数据

代码如下（示例）：

data = pd.read_csv(
    'https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())

该处使用的url网络请求的数据。

---

总结

提示：这里对文章进行总结：

例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。