淘宝用户行为数据分析

一 、分析背景

   电子商务已成为我们生活中不可或缺的一部分，随着生活水平的提高，淘宝成交量在逐年上升。本文获取了部分淘宝用户行为数据进行分析，希望能得到一些有价值的信息以便为用户提供更好的网购体验。

1. 数据集介绍

   本数据集包含了2017年11月25日至2017年12月3日之间，约一百万随机用户的所有行为 （行为包括点击、购买、加购、收藏）。数据集的每一行表示一条用户行为，由用户ID、商品 ID、商品类目ID、行为类型和时间戳组成，并以逗号分隔。由于数据集有1亿条数据记录，数据量较大，本次分析只抽取200万条记录进行分析。

数据来源：
User Behavior Data from Taobao for Recommendation-数据集-阿里云天池

2. 字段含义

user_id：用户身份
item_id：商品ID
category_id：品类ID（商品所属的品类）
timestamp：用户行为发生的时间
behavior_type：用户行为类型，包含以下4种类型
pv：点击
fav:收藏
cart:加购物车
buy:购买

二、提出问题

1.用户在使用淘宝的活跃时段，了解用户的行为时间模式；

2.通过观察平台的流量情况、用户从浏览到最终购买整个过程的流失情况，构造漏斗模型，确定夹点位置；

3.通过RFM模型，分析高价值用户特征；

4.二八理论分析淘宝产品；

三、数据清洗

1、数据选取

原数据集有1亿多条数据，数据量比较大，因此此次分析只选取其中的200万条数据，将其保存到’MyUserBehavior.csv‘中，数据结构展示如下。

import pandas as pd 
df=pd.read_csv(r'./MyUserBehavior.csv')
df.head()

2、缺失值处理

missing_data=df.isnull().sum()

结果显示无缺失数据，可进行下一步处理。

3、删除重复值

通过展示原数据信息可知，原数据集中共有2000000条数据

去重后数据集信息展示如下，共有2000000条数据

通过两次对比可知，数据集中不存在重复数据。

4、异常值处理

df.describe()

过观察数据集的总数，平均值，方差等，四分位数等，发现数据集中时间戳存在异常。该数据正常的时间戳范围是（1511539200，1512316800），因此删除该时间范围以外的数据。

df=df[df.timestamp<1512316800]
df=df[df.timestamp>1511539200]

5、一致化处理

新增日期类型三列，将原数据中时间戳格式的列timestamp，转换为时间日期格式。

df['date']=df['timestamp'].map(lambda x:time.strftime("%Y-%m-%d", time.localtime(x)))
df['hour']=df['timestamp'].map(lambda x:time.strftime("%H", time.localtime(x)))

查看df数据集数据类型：

df.dtypes

发现date列应该转化为日期类数据类型，hour列应该是字符串数据类型。

df['date']=pd.to_datetime(df