Spark+ES+ClickHouse 构建DMP用户画像(2)
第3章 DMP和用户画像
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。