【Hive+MySQL+Python】淘宝用户购物行为数据分析项目

一、数据集介绍

user_data.csv是一份用户行为数据,时间区间为2017-11-25到2017-12-03,总计29132493条记录,大小为1.0G,包含5个字段。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。关于数据集中每一列的详细描述如下:
在这里插入图片描述
用户行为类型共有四种,它们分别是:
在这里插入图片描述

二、数据处理

1. 数据导入

将数据加载到hive,然后通过hive对数据进行处理。
(1)上传new_data.csv文件至虚拟机
在这里插入图片描述
(2)创建user_db数据库
create database user_db;
在这里插入图片描述
(3)创建user_data表

create table user_data(
user_id string,
item_id string,
category_id string,
behavior_type string,
create_time int)
row format delimited fields terminated by ','
lines terminated by '\n';

在这里插入图片描述
(4)将new_data.csv文件中的数据导入到user_data表中

load data local inpath '/root/hive/user_data.csv' into table user_data;

在这里插入图片描述

2. 数据清洗

数据处理主要包括:删除重复值,时间戳格式化,删除异常值。

  1. 创建user_data_new表,为其添加时间字符串字段
  2. 数据清洗,去掉完全重复的数据
  3. 数据清洗,时间戳格式化成datetime。要用到from_unixtime函数。
  4. 查看时间是否有异常值
  5. 数据清洗,去掉时间异常的数据
  6. 查看 behavior_type 是否有异常值
    (1)查看数据量
select count(1) from user_data;

在这里插入图片描述
(2)数据去重

insert overwrite table user_data
select user_id,item_id,category_id,behavior_type,create_time
from user_data
group by user_id,item_id,category_id,behavior_type,create_time;

在这里插入图片描述
在这里插入图片描述可以看到有11条重复数据,已经去除。
(3)创建user_data_new表,为其添加时间字符串字段

create table user_data_new(
user_id string,
item_id string,
category_id string,
behavior_type string,
datetime string
)row format delimited fields terminated by ','
lines terminated by '\n';

在这里插入图片描述(4)时间格式转换

insert overwrite table user_data_new
select user_id,item_id,category_id,behavior_type,from_unixtime(create_time,'yyyy-MM-dd HH:mm:ss')
from user_data;

在这里插入图片描述
在这里插入图片描述

(5)查看时间异常值

select date(datetime) as day from user_data_new group by date(datetime) order by day;

在这里插入图片描述
在这里插入图片描述
(6)去除时间异常值

insert overwrite table user_data_new
select user_id,item_id,category_id,behavior_type,datetime
from user_data_new
where cast(datetime as date) between '2017-11-25' and '2017-12-03';

在这里插入图片描述
在这里插入图片描述(9)查看behavior_type是否有异常值

select behavior_type from user_data_new group by behavior_type;

在这里插入图片描述

三、数据分析可视化

1. 用户流量及购物情况

(1)总访问量PV,总用户量UV

select sum(case when behavior_type='pv' then 1 else 0 end) as pv,
count(distinct user_id) as uv
from user_data_new;

在这里插入图片描述

(2)日均访问量,日均用户量

① 统计日均访问量,日均用户量,并加工到day_pv_uv表中

create table day_pv_uv as
select cast(datetime as date) as day,
sum(case when behavior_type='pv' then 1 else 0 end) as pv,
count(distinct user_id) as uv
from user_data_new
group by cast(datetime as date)
order by day;

在这里插入图片描述
② 将得到的数据通过sqoop迁移至mysql

  • 在mysql中创建数据库和表
    在这里插入图片描述
create table day_pv_uv (day date,pv int(20),uv int(20));

在这里插入图片描述

  • sqoop数据迁移
bin/sqoop export \
--connect jdbc:mysql://hadoop01:3306/user_db \
--username root \
--password Guo_2001 \
--table day_pv_uv \
--fields-terminated-by '\001' \
--export-dir '/user/hive/warehouse/user_db.db/day_pv_uv' \
--num-mappers 1 

在这里插入图片描述

  • 查看迁移后的数据
    在这里插入图片描述
    ③ 利用python读取mysql数据并可视化
  • pymysql读取数据
import pymysql
# 读取mysql数据
daylist = []
pvlist = []
uvlist = []
conn = pymysql.connect(host='192.168.20.128',
               port=3306,
               user='root',
               password='Guo_2001',
               db='user_db',
               charset='utf8')
cursor = conn.cursor()
try:

    sql_name = """ SELECT day FROM day_pv_uv """
    cursor.execute(sql_name)
    days = cursor.fetchall()
    for i in range(0,len(days)):
        daylist.append(days[i][0])
    # print(daylist)
    sql_num = """ SELECT pv FROM day_pv_uv """
    cursor.execute(sql_num)
    pvs = cursor.fetchall()
    for i in range(0,len(pvs)):
        pvlist.append(pvs[i][0])
    # print(pvlist)
    sql_num = """ SELECT uv FROM day_pv_uv """
    cursor.execute(sql_num)
    uvs = cursor.fetchall()
    for i in range(0,len(uvs)):
        uvlist.append(uvs[i][0])
    # print(uvlist)
except:
    print("未查询到数据!")
    conn.rollback()
finally:
    conn.close()
  • pyecharts可视化
import pyecharts.options as opts
from pyecharts.charts import Bar, Line

bar = (
    Bar(init_opts=opts.InitOpts(width="1100px", height="600px"))
       .set_global_opts(title_opts=opts.TitleOpts(title="每日访问情况"))
        .add_xaxis(xaxis_data=daylist)
        .add_yaxis(
            series_name="pv",
            y_axis=pvlist,
            label_opts=opts.LabelOpts(is_show=False),
        )
        .add_yaxis(
            series_name="uv",
            y_axis=uvlist,
            label_opts=opts.LabelOpts(is_show=False),
        )
        .set_global_opts(
            tooltip_opts=opts.TooltipOpts(
                is_show=True, trigger="axis", axis_pointer_type="cross"
            ),
            xaxis_opts=opts.AxisOpts(
                name='date',
                name_location='middle',
                name_gap=30,
                name_textstyle_opts=opts.TextStyleOpts(
                    font_family='Times New Roman',
                    font_size=16,  # 标签字体大小
                )),
            yaxis_opts=opts.AxisOpts(
                type_="value",
                axislabel_opts=opts.LabelOpts(formatter="{value}"),
                axistick_opts=opts.AxisTickOpts(is_show=True),
                splitline_opts=opts.SplitLineOpts(is_show=True),
            )
        )
)

bar.render("折线图-柱状图多维展示.html")

在这里插入图片描述

(3)每个用户的购物情况,加工到 user_behavior_count表中

create table user_behavior_count as
select user_id,
sum(case when behavior_type='pv' then 1 else 0 end) as pv,
sum(case when behavior_type='fav' then 1 else 0 end) as fav,
sum(case when behavior_type='cart' then 1 else 0 end) as cart,
sum(case when behavior_type='buy' then 1 else 0 end) as buy
from user_data_new
group by user_id;

在这里插入图片描述

(4)统计复购率

复购率:产生两次或两次以上购买的用户占购买用户的比例

select sum(case when buy>1 then 1 else 0 end)/sum(case when buy>0 then 1 else 0 end)
from user_behavior_count;

在这里插入图片描述
可以看到复购率为0.65,还是不错的。

2. 用户行为转化率

(1)统计各环节转化率

点击/(加购物车+收藏)/购买,各环节转化率

select a.pv,
a.fav,
a.cart,
a.fav + a.cart as `fav+cart`,
a.buy,
round((a.fav + a.cart) / a.pv, 4) as pv2favcart,
round(a.buy / (a.fav + a.cart), 4) as favcart2buy,
round(a.buy / a.pv, 4) as pv2buy
from(
select sum(pv) as pv,
sum(fav) as fav,
sum(cart) as cart,
sum(buy) as buy
from user_behavior_count
) as a;

在这里插入图片描述

(2)用户行为转化漏斗可视化

在这里插入图片描述
从漏斗图中可以看到,收藏和加购物车的用户行为是最多的,而购买最少,也符合实际。

3. 用户行为习惯

(1)一天的活跃时段分布

① 统计每天24小时内的行为数据,并加工到hour_behavior表中

create table hour_behavior as
select hour(datetime) as hour,
sum(case when behavior_type = 'pv' then 1 else 0 end) as pv,
sum(case when behavior_type = 'fav' then 1 else 0 end) as fav,
sum(case when behavior_type = 'cart' then 1 else 0 end) as cart,
sum(case when behavior_type = 'buy' then 1 else 0 end) as buy
from user_data_new
group by hour(datetime)
order by hour;

在这里插入图片描述
② 将得到的数据通过sqoop迁移至mysql

  • 在mysql中创建表
create table hour_behavior (
hour int(20),
pv int(20),
fav int(20),
cart int(20),
buy int(20)
);

在这里插入图片描述

  • sqoop数据迁移
bin/sqoop export \
--connect jdbc:mysql://hadoop01:3306/user_db \
--username root \
--password Guo_2001 \
--table hour_behavior \
--fields-terminated-by '\001' \
--export-dir '/user/hive/warehouse/user_db.db/hour_behavior' \
--num-mappers 1 

在这里插入图片描述

  • 查看迁移后的数据
    在这里插入图片描述
    ③ 利用python读取mysql数据并可视化
  • pymysql读取数据
import pymysql
# 读取mysql数据
hourlist = []
pvlist = []
favlist = []
cartlist = []
buylist = []
conn = pymysql.connect(host='192.168.20.128',
               port=3306,
               user='root',
               password='Guo_2001',
               db='user_db',
               charset='utf8')
cursor = conn.cursor()
try:

    sql_name = """ SELECT hour FROM hour_behavior """
    cursor.execute(sql_name)
    hours = cursor.fetchall()
    for i in range(0,len(hours)):
        hourlist.append(hours[i][0])
    sql_num = """ SELECT pv FROM hour_behavior """
    cursor.execute(sql_num)
    pvs = cursor.fetchall()
    for i in range(0,len(pvs)):
        pvlist.append(pvs[i][0])
    sql_num = """ SELECT fav FROM hour_behavior """
    cursor.execute(sql_num)
    favs = cursor.fetchall()
    for i in range(0,len(favs)):
        favlist.append(favs[i][0])
    sql_num = """ SELECT cart FROM hour_behavior """
    cursor.execute(sql_num)
    carts = cursor.fetchall()
    for i in range(0,len(carts)):
        cartlist.append(carts[i][0])
    sql_num = """ SELECT buy FROM hour_behavior """
    cursor.execute(sql_num)
    buys = cursor.fetchall()
    for i in range(0,len(buys)):
        buylist.append(buys[i][0])
except:
    print("未查询到数据!")
    conn.rollback()
finally:
    conn.close()
  • pyecharts可视化
from pyecharts.charts import Line
# 堆叠柱状图绘制
line=Line()
line.add_xaxis(hourlist)
line.add_yaxis('点赞数',pvlist,stack="stack1",label_opts=opts.LabelOpts(is_show=False))
line.add_yaxis('收藏数',favlist,stack="stack1",label_opts=opts.LabelOpts(is_show=False))
line.add_yaxis('加购物车数',cartlist,stack="stack1",label_opts=opts.LabelOpts(is_show=False))
line.add_yaxis('购买数',buylist,stack="stack1",label_opts=opts.LabelOpts(is_show=False))
line.set_global_opts(title_opts=opts.TitleOpts(title="用户一天24小时的活跃时段分布"))
line.render_notebook()

在这里插入图片描述
从图中可以看到一天24小时中,13和14时用户处于最活跃的状态,而19-21时用户的活跃次数并不高,当然此时也处于睡觉时间,符合实际情况。

(2)一周用户的活跃分布

① 统计一周七天内的行为数据,并加工到week_behavior表中

create table week_behavior as
select pmod(datediff(datetime, '1920-01-01') - 3, 7) as weekday,
sum(case when behavior_type = 'pv' then 1 else 0 end) as pv,
sum(case when behavior_type = 'fav' then 1 else 0 end) as fav,
sum(case when behavior_type = 'cart' then 1 else 0 end) as cart,
sum(case when behavior_type = 'buy' then 1 else 0 end) as buy
from user_data_new
where date(datetime) between '2017-11-27' and '2017-12-03'
group by pmod(datediff(datetime, '1920-01-01') - 3, 7)
order by weekday;

在这里插入图片描述
在这里插入图片描述
② 将得到的数据通过sqoop迁移至mysql

  • 在mysql中创建表
create table week_behavior (
weekday int(20),
pv int(20),
fav int(20),
cart int(20),
buy int(20)
);

在这里插入图片描述

  • sqoop数据迁移
bin/sqoop export \
--connect jdbc:mysql://hadoop01:3306/user_db \
--username root \
--password Guo_2001 \
--table week_behavior \
--fields-terminated-by '\001' \
--export-dir '/user/hive/warehouse/user_db.db/week_behavior' \
--num-mappers 1 

在这里插入图片描述

  • 查看迁移后的数据
    在这里插入图片描述
    ③ 利用python读取mysql数据并可视化
  • pymysql读取数据
import pymysql
# 读取mysql数据
weeklist = []
pvlist = []
favlist = []
cartlist = []
buylist = []
conn = pymysql.connect(host='192.168.20.128',
               port=3306,
               user='root',
               password='Guo_2001',
               db='user_db',
               charset='utf8')
cursor = conn.cursor()
try:

    sql_name = """ SELECT weekday FROM week_behavior """
    cursor.execute(sql_name)
    weeks = cursor.fetchall()
    for i in range(0,len(weeks)):
        weeklist.append(weeks[i][0])
    sql_num = """ SELECT pv FROM week_behavior """
    cursor.execute(sql_num)
    pvs = cursor.fetchall()
    for i in range(0,len(pvs)):
        pvlist.append(pvs[i][0])
    sql_num = """ SELECT fav FROM week_behavior """
    cursor.execute(sql_num)
    favs = cursor.fetchall()
    for i in range(0,len(favs)):
        favlist.append(favs[i][0])
    sql_num = """ SELECT cart FROM week_behavior """
    cursor.execute(sql_num)
    carts = cursor.fetchall()
    for i in range(0,len(carts)):
        cartlist.append(carts[i][0])
    sql_num = """ SELECT buy FROM week_behavior """
    cursor.execute(sql_num)
    buys = cursor.fetchall()
    for i in range(0,len(buys)):
        buylist.append(buys[i][0])
except:
    print("未查询到数据!")
    conn.rollback()
finally:
    conn.close()
  • pyecharts可视化
from pyecharts.charts import Line
# 堆叠这些线图绘制
line=Line()
line.add_xaxis(weeklist)
line.add_yaxis('点赞数',pvlist,stack="stack1",label_opts=opts.LabelOpts(is_show=False))
line.add_yaxis('收藏数',favlist,stack="stack1",label_opts=opts.LabelOpts(is_show=False))
line.add_yaxis('加购物车数',cartlist,stack="stack1",label_opts=opts.LabelOpts(is_show=False))
line.add_yaxis('购买数',buylist,stack="stack1",label_opts=opts.LabelOpts(is_show=False))
line.set_global_opts(title_opts=opts.TitleOpts(title="一周用户的活跃分布"))
line.render_notebook()

在这里插入图片描述
从图中可以看到,在一周中,周日是用户最活跃的一天,休息日不管是从点赞量、收藏量、加购物车量还是购买量来看都是处于最高的位置。

评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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