【数据分析案例】基于Pandas分析天池大赛项目 - 淘宝用户行为数据推荐

已于 2023-09-18 20:39:20 修改
阅读量1.9k 收藏 28
点赞数 1
分类专栏： 数据分析 文章标签： 数据分析 pandas python 经验分享
于 2022-08-12 12:28:03 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46159679/article/details/126298178
版权

前言：

        经典网红数分项目，本文利用pandas处理数据，不实现数据可视化图表，读者可自行根据数据分析出来的结果或自身分析思路做一个数据分析总结

原文摘要：

        本数据集包含了 2017 年 11 月 25 日至 2017 年 12 月 3 日之间，有行为的约一百万随机用户的所有行为（行为包括点击、购买、加购、喜欢）。

        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。

关于数据集的详细描述如下：

数据源链接：数据集-阿里云天池

数据特征：

User_id（用户ID）：整数类型

item_id（商品ID）：整数类型

cate_id（类目ID）：整数类型

act_id（行为类型）：字符串，枚举类型

        包含‘pv’（点击）、‘buy’（购买），‘cart’（加购），‘fav’（收藏）

time（时间戳）：行为发生的时间戳

分析思路：

  1. 基础设置（导入模块、格式设置、数据整体预览）
  2. 数据清洗（查重、缺失值、异常值）
  3. 数据整体情况分析（UV、PV、人均浏览、成交量）
  4. 用户行为（时间、产品、转化链路维度）
  5. 用户分层（只有R和F）
  6. 用户复购（复购率、复购类目和商品）
  7. 用户收藏与购买的相关性

基础设置

导入数据

import pandas as pd
import time
start_time = time.time()

# 数据源
path = r'C:\Users\x\Desktop\UserBehavior.csv\UserBehavior.csv'   # 文件地址
columns_name = ['user_id', 'product_id', 'tag', 'act_id', 'time']   # 列名
data = pd.read_csv(path, header=None, names=columns_name)   # 导入数据

观察数据规模，展现形式

print(data.shape)
print(data.isnull().sum())
print(data.describe)
print(data.info)

数据清洗

对特定字段进行格式转化

转化时间戳格式，并增加日期、星期、小时字段

# 数据格式调整
data['time'] = pd.to_datetime(data['time'], unit='s')
data['date'] = pd.to_datetime(data['time'].dt.date)
data['weekday'] = data['time'].dt.weekday
data['hour'] = data['time'].dt.hour

查重、缺失值处理

可以看到，没有缺失或重复的数据

print('行重复数：', data.duplicated().sum())
print('各指标缺失值：', '\n', data.isnull().sum())
print('\n','-' * 100,'\n')

异常值处理

因为数据仅处于2017年11月25日至2017年12月3日之间，数据范围外均为异常数据，按异常数据丢弃处理

data = data[(data['date'] > "2017-11-24" ) & (data['date'] < "2017-12-04") ]

数据整体情况分析

各指标去重数量:

user_id： 共 987984 个

product_id： 共 4142583 个

tag： 共 9435 个

act_id： 共 4 个

其中，行为的指标分别为：['pv' 'buy' 'fav' 'cart']

# 数据总体了解
print('各指标去重数量:')
for i in list(data.columns.values)[:4]: #前四个为原先定义的指标
    print('{}： 共 {} 个'.format(i, data[i].nunique()))
act_id_list = data['act_id'].unique()   # 获取行为的分类
print('其中，行为的指标分别为：{}'.format(act_id_list))
print('\n','-' * 100,'\n')

访问人数 = 987984

uv_cnt = data['user_id'].nunique()

访问频次 = 88596903

pv_cnt = data[data['act_id'] == 'pv'].act_id.count()

平均访问量 = 89.67%

avg_pv = print('平均访问量：{}'.format(round(pv_cnt / uv_cnt,2)))

购买次数 = 1998976

buy_cnt = data[data['act_id'] == 'buy'].act_id.count()

购买人数 = 670370

buy_per_cnt = data[data['act_id'] == 'buy'].user_id.nunique()

购买人数占比 = 68%

print('平均访问量：{} %'.format(round(buy_per_cnt / uv_cnt * 100)))

人均购买次数 = 2.98

print('人均购买次数：{}'.format(round(buy_cnt / buy_per_cnt,2)))

转化率

商品点加率:6%

商品点藏率:3%

商品点购率:2%

print('商品点加率：{} %'.format(round(data[data['act_id'] == 'cart'].act_id.count() / pv_cnt* 100)))
print('商品点藏率：{} %'.format(round(data[data['act_id'] == 'fav'].act_id.count() / pv_cnt * 100)))
print('商品点购率：{} %'.format(round(data[data['act_id'] == 'buy'].act_id.count() / pv_cnt * 100)))

TOP

print('购买频数前五名商品：', '\n', data['product_id'].value_counts().head(), '\n')
print('购买频数前五名商品类目：', '\n', data['tag'].value_counts().head(), '\n')

用户行为分析

时间维度

按日期统计访问次数

date = data[data['act_id'] == 'pv'].groupby(by='date').agg(pv=('user_id','count'))

按星期统计购买次数

weekday = data[data['act_id'] == 'buy'].groupby(by='weekday').agg(pv=('user_id','count'))

按小时统计访问次数和购买次数

hour_pv_cnt = data[data['act_id'] == 'pv'].groupby(by='hour').agg(pv_cnt=('user_id','count'))
hour_buy_cnt = data[data['act_id'] == 'buy'].groupby(by='hour').agg(buy_cnt=('user_id','count'))
hour = pd.concat([hour_pv_cnt,hour_buy_cnt],axis=1)

产品维度

热门类目和热卖类目

pv_tag_top = data[data['act_id'] == 'pv'].groupby('tag').agg(pv_tag=('user_id','count')).sort_values('pv_tag',ascending=False)
print('访问频数前五名商品类目：', '\n', pv_tag_top.head(), '\n')
buy_tag_top = data[data['act_id'] == 'buy'].groupby('tag').agg(buy_tag=('act_id','count')).sort_values('buy_tag',ascending=False)
print('购买频数前五名商品类目：', '\n', buy_tag_top.head(), '\n')
pv_and_buy_top = pd.concat([pv_tag_top,buy_tag_top],axis=1,join='inner').sort_values('buy_tag',ascending=False)
print('访问且购买频数前五名商品类目：', '\n', pv_and_buy_top.head(), '\n')

热门商品和热卖商品

pv_product_top = data[data['act_id'] == 'pv'].groupby('product_id').agg(pv_product=('user_id','count')).sort_values('pv_product',ascending=False)
print('访问频数前五名商品：', '\n', pv_product_top.head(), '\n')
buy_product_top = data[data['act_id'] == 'buy'].groupby('product_id').agg(buy_product=('user_id','count')).sort_values('buy_product',ascending=False)
print('购买频数前五名商品：', '\n', buy_product_top.head(), '\n')
pv_and_buy_top = pd.concat([pv_product_top,buy_product_top],axis=1,join='inner').sort_values('buy_product',ascending=False)
print('访问且购买频数前五名商品：', '\n', pv_and_buy_top.head(), '\n')

转化链路

用户行为路径我分为了两种：

用户行为路径一：pv-cart-buy

        用户行为路径p-c-b的转化率为： p-c:16.21%, c-b:2.73%

用户行为路径二：pv-fav-cart-buy

        用户行为路径p-f-c-b的转化率为： p-f:31.06%, f-c:0.52%, c-b:2.73%

# 行为路径一：p-c-b
pc = round(data[data['act_id'] == 'pv'].act_id.count() / data[data['act_id'] == 'cart'].act_id.count() , 2)
cb = round(data[data['act_id'] == 'cart'].act_id.count()  / data[data['act_id'] == 'buy'].act_id.count() , 2)
print('用户行为路径p-c-b的转化率为：', 'p-c:{}%, c-b:{}%'.format(pc, cb))
# 行为路径二：p-f-c-b
pf = round(data[data['act_id'] == 'pv'].act_id.count() / data[data['act_id'] == 'fav'].act_id.count(), 2)
fc = round(data[data['act_id'] == 'fav'].act_id.count() / data[data['act_id'] == 'cart'].act_id.count(), 2)
cb = round(data[data['act_id'] == 'cart'].act_id.count() / data[data['act_id'] == 'buy'].act_id.count(), 2)
print('用户行为路径p-f-c-b的转化率为：', 'p-f:{}%, f-c:{}%, c-b:{}%'.format(pf, fc, cb))

十分明显可以看到，点击数与其他行为数量差距过大

用户价值分层

RFM用户价值模型，主要有三个核心指标，用户唯一ID，最近一次购买时间，购买金额

因为数据不涉及到金额方面，默认都为金额高的用户，因此，仅分析R和F两个层面，并对用户进行四个层次的分级

# FRM用户价值分层模型
RFM = data[data['act_id'] == 'buy'].groupby('user_id',as_index=False).agg({'act_id':'count','date':'max'})
RFM['R'] = (pd.to_datetime('2017-12-03')-RFM['date']).dt.days
RFM.rename(columns={'act_id':'F'},inplace=True)
RFM.drop(columns=['date'],inplace=True)

# 方式一：等距分箱的形式划分
RFM['R_label1'] = pd.cut(RFM['R'],bins=2,right=False,labels=range(0,2)).astype('int')
RFM['F_label1'] = pd.cut(RFM['F'],bins=2,right=False,labels=range(0,2)).astype('int')

# 方式二：按平均分的形式划分
# RFM['R_label2'] = (RFM['R'] >= RFM['R'].mean()) * 1
# RFM['F_label2'] = (RFM['F'] >= RFM['F'].mean()) * 1

# 用户分层
for i,j in RFM.iterrows():
    if j['R_label1'] == 1 and j['F_label1'] == 1:
        RFM.loc[i,'用户类别'] = '价值用户'
    if j['R_label1'] == 1 and j['F_label1'] == 0:
        RFM.loc[i,'用户类别'] = '发展用户'
    if j['R_label1'] == 0 and j['F_label1'] == 1:
        RFM.loc[i,'用户类别'] = '保持用户'
    if j['R_label1'] == 0 and j['F_label1'] == 0:
        RFM.loc[i,'用户类别'] = '挽留用户'

可以可视化观察对比下每个层级的用户数和占比或者细化商品类目观察其分层情况

用户复购

复购率 = 66%

复购率 = 购买2次及以上的用户数 / 购买过的总用户数

repurchase = data[data['act_id'] == 'buy'].groupby(by='user_id',as_index=False).agg({'act_id':'count'})
re_rate = round(repurchase[repurchase['act_id'] > 1]['act_id'].count()/ repurchase['act_id'].count(),2)*100
print('复购率：{} %'.format(re_rate))

最热卖复购类目（对比热卖类目）

repurchase = data[data['act_id'] == 'buy'].groupby(by='user_id',as_index=False).agg({'act_id':'count'})
re_tag_top = data[data['user_id'].isin(repurchase[repurchase['act_id'] >1]['user_id'])].reset_index()
re_tag_top = re_tag_top[re_tag_top['act_id'] == 'buy'].groupby('tag').agg(re_tag=('act_id','count')).sort_values('re_tag',ascending=False).head()
contrast_tag = pd.concat([buy_tag_top,re_tag_top],axis=1,join='inner')

最热卖复购商品（对比热卖商品）

repurchase = data[data['act_id'] == 'buy'].groupby(by='user_id',as_index=False).agg({'act_id':'count'})
re_product_top = data[data['user_id'].isin(repurchase[repurchase['act_id'] >1]['user_id'])].reset_index()
re_product_top = re_product_top[re_product_top['act_id'] == 'buy'].groupby('product_id').agg(re_product=('act_id','count')).sort_values('re_product',ascending=False).head()
contrast_product = pd.concat([buy_product_top,re_product_top],axis=1,join='inner')

用户收藏与购买的相关性

皮尔逊相关系数 = 0.18

corr_cart = data[data['act_id'] == 'cart'].groupby('user_id').agg(cart=('act_id','count'))
corr_buy = data[data['act_id'] == 'buy'].groupby('user_id').agg(buy=('act_id','count'))
corr_data = pd.concat([corr_cart,corr_buy],axis=1).fillna(0)
corr = round(corr_data['cart'].corr(corr_data['buy'])*100,2)

完整代码

方便读者完善代码思路，奉上完整的代码，以供参考，建议以自己的分析思路用pandas实现数据处理

运行该代码时，请注意修改文件地址

# ！/usr/bin/python3.7
# -*- coding:utf-8 -*-
# @author:inganxu
# CSDN:inganxu.blog.csdn.net
# @Date:2023年9月18日
import pandas as pd
import time
start_time = time.time()

# 数据源
path = r'C:\Users\x\Desktop\UserBehavior.csv\UserBehavior.csv'   # 文件地址
columns_name = ['user_id', 'product_id', 'tag', 'act_id', 'time']   # 列名
data = pd.read_csv(path, header=None, names=columns_name)   # 导入数据
data = data.head(100000)

# 数据预处理
# 数据格式调整
data['time'] = pd.to_datetime(data['time'], unit='s')
data['date'] = pd.to_datetime(data['time'].dt.date)
data['weekday'] = data['time'].dt.weekday
data['hour'] = data['time'].dt.hour

# 查重、缺失值处理
print('行重复数：', data.duplicated().sum())
print('各指标缺失值：', '\n', data.isnull().sum())
print('\n','-' * 100,'\n')

# 异常数据处理
# 因为数据仅处于2017年11月25日至2017年12月3日之间，2017-11-24前的数据均为异常数据，按异常数据丢弃处理
data = data[(data['date'] > "2017-11-24" ) & data['date'] < "2017-12-04" ]

# 数据总体了解
print('各指标去重数量:')
for i in list(data.columns.values)[:4]: #前四个为原先定义的指标
    print('{}： 共 {} 个'.format(i, data[i].nunique()))
act_id_list = data['act_id'].unique()   # 获取行为的分类
print('其中，行为的指标分别为：{}'.format(act_id_list))
print('\n','-' * 100,'\n')

# UV
uv_cnt = data['user_id'].nunique()
# PV
pv_cnt = data[data['act_id'] == 'pv'].act_id.count()
# 平均访问量
avg_pv = print('平均访问量：{}'.format(round(pv_cnt / uv_cnt,2)))
# 购买次数
buy_cnt = data[data['act_id'] == 'buy'].act_id.count()
# 购买人数
buy_per_cnt = data[data['act_id'] == 'buy'].user_id.nunique()
# 购买人数占比
print('平均访问量：{} %'.format(round(buy_per_cnt / uv_cnt * 100)))
# 人均购买次数
print('人均购买次数：{}'.format(round(buy_cnt / buy_per_cnt,2)))
# 转化率
print('商品点加率：{} %'.format(round(data[data['act_id'] == 'cart'].act_id.count() / pv_cnt* 100)))
print('商品点藏率：{} %'.format(round(data[data['act_id'] == 'fav'].act_id.count() / pv_cnt * 100)))
print('商品点购率：{} %'.format(round(data[data['act_id'] == 'buy'].act_id.count() / pv_cnt * 100)))
# TOP
print('购买频数前五名商品：', '\n', data['product_id'].value_counts().head(), '\n')
print('购买频数前五名商品类目：', '\n', data['tag'].value_counts().head(), '\n')
print('\n','-' * 100,'\n')

# 用户行为分析
# 时间维度
# 按日期统计访问次数
date = data[data['act_id'] == 'pv'].groupby(by='date').agg(pv=('user_id','count'))

# 按星期统计购买次数
weekday = data[data['act_id'] == 'buy'].groupby(by='weekday').agg(pv=('user_id','count'))

# 按小时统计访问次数和购买次数
hour_pv_cnt = data[data['act_id'] == 'pv'].groupby(by='hour').agg(pv_cnt=('user_id','count'))
hour_buy_cnt = data[data['act_id'] == 'buy'].groupby(by='hour').agg(buy_cnt=('user_id','count'))
hour = pd.concat([hour_pv_cnt,hour_buy_cnt],axis=1)

# 产品维度
# 热门类目和热卖类目
pv_tag_top = data[data['act_id'] == 'pv'].groupby('tag').agg(pv_tag=('user_id','count')).sort_values('pv_tag',ascending=False)
print('访问频数前五名商品类目：', '\n', pv_tag_top.head(), '\n')
buy_tag_top = data[data['act_id'] == 'buy'].groupby('tag').agg(buy_tag=('act_id','count')).sort_values('buy_tag',ascending=False)
print('购买频数前五名商品类目：', '\n', buy_tag_top.head(), '\n')
pv_and_buy_top = pd.concat([pv_tag_top,buy_tag_top],axis=1,join='inner').sort_values('buy_tag',ascending=False)
print('访问且购买频数前五名商品类目：', '\n', pv_and_buy_top.head(), '\n')
# 热门商品和热卖商品
pv_product_top = data[data['act_id'] == 'pv'].groupby('product_id').agg(pv_product=('user_id','count')).sort_values('pv_product',ascending=False)
print('访问频数前五名商品：', '\n', pv_product_top.head(), '\n')
buy_product_top = data[data['act_id'] == 'buy'].groupby('product_id').agg(buy_product=('user_id','count')).sort_values('buy_product',ascending=False)
print('购买频数前五名商品：', '\n', buy_product_top.head(), '\n')
pv_and_buy_top = pd.concat([pv_product_top,buy_product_top],axis=1,join='inner').sort_values('buy_product',ascending=False)
print('访问且购买频数前五名商品：', '\n', pv_and_buy_top.head(), '\n')

# 转化链路
# 行为路径一：p-c-b
pc = round(data[data['act_id'] == 'pv'].act_id.count() / data[data['act_id'] == 'cart'].act_id.count() , 2)
cb = round(data[data['act_id'] == 'cart'].act_id.count()  / data[data['act_id'] == 'buy'].act_id.count() , 2)
print('用户行为路径p-c-b的转化率为：', 'p-c:{}%, c-b:{}%'.format(pc, cb))
# 行为路径二：p-f-c-b
pf = round(data[data['act_id'] == 'pv'].act_id.count() / data[data['act_id'] == 'fav'].act_id.count(), 2)
fc = round(data[data['act_id'] == 'fav'].act_id.count() / data[data['act_id'] == 'cart'].act_id.count(), 2)
cb = round(data[data['act_id'] == 'cart'].act_id.count() / data[data['act_id'] == 'buy'].act_id.count(), 2)
print('用户行为路径p-f-c-b的转化率为：', 'p-f:{}%, f-c:{}%, c-b:{}%'.format(pf, fc, cb))
print('\n','-' * 100,'\n')



# FRM用户价值分层模型
RFM = data[data['act_id'] == 'buy'].groupby('user_id',as_index=False).agg({'act_id':'count','date':'max'})
RFM['R'] = (pd.to_datetime('2017-12-03')-RFM['date']).dt.days
RFM.rename(columns={'act_id':'F'},inplace=True)
RFM.drop(columns=['date'],inplace=True)

# 方式一：等距分箱的形式划分
RFM['R_label1'] = pd.cut(RFM['R'],bins=2,right=False,labels=range(0,2)).astype('int')
RFM['F_label1'] = pd.cut(RFM['F'],bins=2,right=False,labels=range(0,2)).astype('int')

# 方式二：按平均分的形式划分
# RFM['R_label2'] = (RFM['R'] >= RFM['R'].mean()) * 1
# RFM['F_label2'] = (RFM['F'] >= RFM['F'].mean()) * 1

# 用户分层
for i,j in RFM.iterrows():
    if j['R_label1'] == 1 and j['F_label1'] == 1:
        RFM.loc[i,'用户类别'] = '价值用户'
    if j['R_label1'] == 1 and j['F_label1'] == 0:
        RFM.loc[i,'用户类别'] = '发展用户'
    if j['R_label1'] == 0 and j['F_label1'] == 1:
        RFM.loc[i,'用户类别'] = '保持用户'
    if j['R_label1'] == 0 and j['F_label1'] == 0:
        RFM.loc[i,'用户类别'] = '挽留用户'
print(RFM)
print('\n','-' * 100,'\n')



# 用户复购行为
# 复购率 = 购买2次及以上的用户数 / 购买过的总用户数
repurchase = data[data['act_id'] == 'buy'].groupby(by='user_id',as_index=False).agg({'act_id':'count'})
re_rate = round(repurchase[repurchase['act_id'] > 1]['act_id'].count()/ repurchase['act_id'].count(),2)*100
print('复购率：{} %'.format(re_rate))
print('\n','-' * 100,'\n')

# 最热卖复购类目（对比热卖类目）
repurchase = data[data['act_id'] == 'buy'].groupby(by='user_id',as_index=False).agg({'act_id':'count'})
re_tag_top = data[data['user_id'].isin(repurchase[repurchase['act_id'] >1]['user_id'])].reset_index()
re_tag_top = re_tag_top[re_tag_top['act_id'] == 'buy'].groupby('tag').agg(re_tag=('act_id','count')).sort_values('re_tag',ascending=False).head()
contrast_tag = pd.concat([buy_tag_top,re_tag_top],axis=1,join='inner')
print(contrast_tag)

# 最热卖复购商品（对比热卖商品）
repurchase = data[data['act_id'] == 'buy'].groupby(by='user_id',as_index=False).agg({'act_id':'count'})
re_product_top = data[data['user_id'].isin(repurchase[repurchase['act_id'] >1]['user_id'])].reset_index()
re_product_top = re_product_top[re_product_top['act_id'] == 'buy'].groupby('product_id').agg(re_product=('act_id','count')).sort_values('re_product',ascending=False).head()
contrast_product = pd.concat([buy_product_top,re_product_top],axis=1,join='inner')
print(contrast_product)
print('\n','-' * 100,'\n')


# 计算购买和收藏之间的Pearson相关性
corr_cart = data[data['act_id'] == 'cart'].groupby('user_id').agg(cart=('act_id','count'))
corr_buy = data[data['act_id'] == 'buy'].groupby('user_id').agg(buy=('act_id','count'))
corr_data = pd.concat([corr_cart,corr_buy],axis=1).fillna(0)
corr = round(corr_data['cart'].corr(corr_data['buy'])*100,2)
print('Pearsons correlation：{} %'.format(corr))

end_time = time.time()
print('\n','任务运行时长：', round(end_time - start_time, 2), '秒')

结语：

本文仅对数据作简单的整体分析，没对数据深度分析，感兴趣的读者可根据自身条件针对某个方面进一步分析，例如：

挖掘用户收藏与购买的黄金时间差，并在黄金时间内提供相关促进消费决策。如：发放限时优惠券、增加收藏商品的曝光度...

对比TOP类目或商品在高峰时段（星期、小时）的购买频率是否高于日常

读者也可以针对分析处理后的数据以可视化的形式展现，例如：matplotlib、seaborn

参考文章：

淘宝用户行为数据分析_valkyrja110的博客-CSDN博客

基于客观事实的 RFM 模型（Python 代码）_Python_xiaowu的博客-CSDN博客_rfm模型python代码

【matplotlib】浅谈python图形可视化练习经验分享_inganxu的博客-CSDN博客

【数据分析案例】pandas + matplotlib 人货场+RFM+用户复购分析 电商水果销售_inganxu的博客-CSDN博客

inganxu
关注
专栏目录
天池比赛数据的分析
chb157的博客
07-21 945
这里写自定义目录标题比赛数据的下载比赛数据的研究比赛思路 比赛数据的下载 前往阿里云比赛官网，下载所需要的比赛数据比赛官网，包括一个训练集，一个验证集，一个测试集。 比赛数据的研究 该数据通过数字加密，因此全是数字组成。 在数据集中标签的对应的关系如下：{‘科技’: 0, ‘股票’: 1, ‘体育’: 2, ‘娱乐’: 3, ‘时政’: 4, ‘社会’: 5, ‘教育’: 6, ‘财经’: 7, ‘家居’: 8, ‘游戏’: 9, ‘房产’: 10, ‘时尚’: 11, ‘彩票’: 12, ‘星座’: 13
【Python】pandas实战：电商平台用户分析
fengdu78的博客
07-10 494
分享一个《pandas进阶宝典》最新更新的实战项目，电商平台用户行为分析。以下是内容节选。数据分析1.行为概况首先，我们要对用户的行为类型有一定的理解，了解每个行为所代表的含义。浏览：作为用户与商品接触的第一个行为，它的数量级与其他行为类型相比而言是非常庞大的，因为：用户购买之前需要货比三家，可能会浏览很多个商品最后只下单一个，此时就是多个浏览对应一个下单。但大部分用户可能只是浏览了很多商品，但最...
数据分析案例-2024 年全电动汽车数据集可视化分析
最新发布
weixin_40778597的博客
07-17 261
????♂️ 个人主页：@艾派森的个人主页✍????作者简介：Python学习者 ???? 希望大家多多支持，我们一起进步！???? 如果文章对你有帮助的话， 欢迎评论 ????点赞???????? 收藏 ????加关注+目录1.项目背景2.数据集介绍3.技术工具4.导入数据5.数据可视化源代码1.项目背景随着全球对气候变化和环境污染问题的日益关注，电动汽车作为一种清...
数据分析项目实战1——淘宝用户购买行为分析（天池）
Janice的博客
11-20 4905
数据分析项目实战，天池比赛
天池-淘宝用户行为数据分析（python+Tableau)
weixin_44781858的博客
06-28 7207
天池-淘宝用户行为数据分析（python+Tableau) 一、背景 ​　　用户行为分析可以让产品更加详细、清楚地了解用户的行为习惯，从而找出网站、app、推广渠道等产品存在的问题，有助于产品发掘高转化率页面，让产品的营销更加精准、有效，提高业务转化率。本文选取阿里天池项目中的淘宝App用户行为数据利用Python进行数据分析。 常用用户分析模型： 常用用户行为分析方法： 本次分析的用户行为数据来自于阿里巴巴天池平台： [User Behavior Data on Taobao App]: https:
阿里天池赛后数据分析
提拉米苏的博客
03-05 1412
赛后数据分析 天池精准医疗大赛——人工智能辅助糖尿病遗传风险预测 大赛概况 进入21世纪，生命科学特别是基因科技已经广泛而且深刻影响到每个人的健康生活，于此同时，科学家们借助基因科技史无前例的用一种全新的视角解读生命和探究疾病本质。人工智能（AI）能够处理分析海量医疗健康数据，通过认知分析获取洞察，服务于政府、健康医疗机构、制药企业及患者，实现个性化，可以循证的智慧医疗，推动创新，实现价值。...
金融风控训练营Task02基础知识学习笔记——EDA探索性数据分析
weixin_46085699的博客
04-25 493
金融风控训练营Task01基础知识学习笔记一、学习知识点概要二、学习内容及问题与解答1.读取文件的拓展知识：2.Python函数： 一、学习知识点概要 二、学习内容及问题与解答 1.读取文件的拓展知识： pandas读取数据时相对路径载入报错时，尝试使用os.getcwd()查看当前工作目录。 TSV与CSV的区别： 从名称上即可知道，TSV是用制表符（Tab,’\t’）作为字段值的分隔符；CSV是用半角逗号（’,’）作为字段值的分隔符； Python对TSV文件的支持： Python的csv模块准确的
【TIANCHI】天池大数据竞赛（学习赛）--- 淘宝用户购物行为数据可视化分析
WaKuWuku的博客
04-04 2981
本人代码萌新一枚，目前还在学习python中，这篇文章是我本人对天池大数据竞赛上的学习赛上官方对数据分析后的自己的一些见解，参考的位置我会放在文章的最后。第一次在CSDN写文章，有错误还希望大家可以指正，我都会积极改正。例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。
快来一起挖掘幸福感！——阿里云天池项目实战（附完成实践过程+代码）
cax1165
09-13 5569
传送门：快来一起挖掘幸福感！——官方链接 目录 一、开发环境介绍 二、数据的分析、处理 2.1 数据初步分析 ●观察调查问卷 ●数据可视化处理 2.2 数据的处理 ●对于特征的删除 ●对于特征的填充 ●对于特征的泛化以及特征工程 ●对于标签的修正 2.3 数据的规范化 2.3.1归一化处理 2.3.2 one-hot 独热编码 三、训练模型的选择、调优 3.1 任务分析 3.2模型选择 3.3参数调优 3.4 交叉验证 四、实验结果展示 五、探索历......
Python数据分析实例-母婴产品电商可视化分析（含代码）
m0_57372006的博客
06-28 2729
使用Python、Numpy、Pandas和Matplotlib与seaborn包进行可视化分析，意在挖掘出母婴产品消费的具体目标群体与行为，为销售方做数据支撑，更好的针对客户群体进行优化推荐。
淘宝用户行为数据集
01-05
3182257条数据，可做推荐系统，数据分析 它包含字段（id, uid,age,gender,item_id, behavior_type, item_category, date, province） //1.浏览、2.收藏、3.加购物车 4.购买 7.统计各省的前十热门关注产品（浏览+收藏+添加购物车+购买总量最多前10的产品） 8.统计各省的前十热门购买产品（销售最多前10的产品） 9.统计各省销售最好的产品类别前10（销售最多前10的产品类别） 10.统计各省男女用户数量（gender 0：男 1：女 2：未知）
淘宝用户行为数据集.txt
11-26
3182257条数据，可做推荐系统，数据分析 它包含字段（id, uid,age,gender,item_id, behavior_type, item_category, date, province） //1.浏览、2.收藏、3.加购物车 4.购买 7.统计各省的前十热门关注产品（浏览+收藏+添加购物车+购买总量最多前10的产品） 8.统计各省的前十热门购买产品（销售最多前10的产品） 9.统计各省销售最好的产品类别前10（销售最多前10的产品类别） 10.统计各省男女用户数量（gender 0：男 1：女 2：未知） 亲测好用
高中教学分析系统数据可视化探索【可视化实战案例】
m0_61635017的博客
05-18 1137
教育行业中大数据分析的主要目的包括改善学生成绩、服务教务设计、优化学生服务等。而学生成绩中有一系列重要的信息往往被我们常规研究所忽视。通过大数据分析和可视化展示，挖掘重要信息，改善 学生服务，对于教学改进意义重大。美国教育部门构建“学习分析系统”，旨在向教育工作者提供了解学生到底是在怎样学习的更好、更好、更精确信息。利用大数据的分析学习能够向教育工作者提供有用的信息，从而帮助其回答众多不易回答的现实问题。
天池比赛-02-用Apriori算法进行商品关联分析
qq_35487917的博客
02-10 2209
  这篇文章是对天池比赛里面的商品关联分析案例的介绍，采用 Apriori 算法发现频繁项集，确定关联关系。 1、基本概念 1.1 关联分析的基本概念   频繁项集和关联规则是关联分析中的两个基本概念：频繁项集（frequent item sets）是经常出现在一块的物品的集合，关联规则（association rules）暗示两种物品之间可能存在很强的关系。   关联分析中采用支持度去筛选出频繁项集：一个项集的支持度（support）被定义为数据集中包含该项集的记录所占的比例。从图11-1中可以得到，{豆
Python 数据分析竞赛实战：收集、整理、分析竞赛数据，为比赛提供数据支持，并用Python代码展示分析结果
AI天才研究院
08-04 1666
16年，机器学习、深度学习爆炸式增长，无论是作为一种新兴技术还是技术的普及，数据科学的重要性都在逐渐上升。2019 年，中国大学生机器学习大赛评测协会（ACM）发布了“2019 大数据与人工智能专业人才创新训练计划”（Data and AI Skills Development Training for College Students），旨在鼓励青年学生进行科研和项目开发，提高青年人对数据科学技术的认识和能力。
天池数据--幸福感数据分析（一）
yili_sha11的博客
08-22 6568
一、题目解析 训练集是幸福度的调查数据，涵盖调查人员各维度指标，调查结果幸福度分为5级。对测试集的样本进行幸福度分级预测。 数据精度评估标准： 二、数据分析处理 1、数据导入 #导入库 import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.utils import shu...
基于天池淘宝用户100万条行为数据分析——SQL、Tableau
m0_71361876的博客
07-26 1963
基于天池淘宝用户100万条行为数据分析——SQL、Tableau可视化
基于阿里天池的淘宝用户行为分析
weixin_44106410的博客
03-27 4282
0.前言 目前，电商发展趋势迅猛，网购已经渐渐成为主流的购买方式。用户在进行网络购物时，会产生海量的相关数据，这些数据蕴藏着无穷无尽的价值，本文就基于阿里云天池数据集，对用户的购物时产生的数据运用SQL进行分析。 1.提出问题 用户在购物时会产生一系列的数据，可以将这些数据分为用户、商品两个维度。从用户维度来说，可以分析用户在哪一天最活跃，在一天中的哪个时间段最活跃，每个用户的购买情况如何，是否存在复购行为等等，同时可以对用户进行价值分析，将用户分类，针对不同的用户提出不同的留存方案，提高用户留存率；
Pandas实战：淘宝用户行为数据分析
"这篇文档是关于使用Pandas进行数据分析的一个案例，主要针对淘宝用户行为数据进行推荐系统的前期处理。作者通过Jupyter Notebook展示了如何导入数据、处理重复值和空值，以及对时间戳数据进行转换和提取特征。" 在...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

inganxu

感谢您的支持！！！！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值