数据分析六、案例实战---Apr 算法之公众号关联分析

一、案例背景

订阅号每天只能推送一次，一次最多可以发 8 篇图文，但这 8 篇文章必须打包在一块，一个含有大海报&大标题的“头条”，以及7个“次条”。公司的业务范围正在迅速扩大，所以在推送文章时，需要考虑到文章类型的多样性，因此，每天的推送排版，他都要考虑不同的文章类型之间的契合性。
要是陈列不当，次条的阅读量就很惨淡。当然，要是选择恰当，头条和次条就能相互促进，表现喜人，只是，这并不常见。
头条一般都是确定的，主要是次条文章的挑选。那针对不同类型的头条文章，到底应该怎么罗列订阅号的“次条”比较好呢？或者，换句话说，读者可能会同时喜欢看什么类型的内容呢？

二、明确目标

那公众号阅读行为能否像用户的购买行为一样，能挖掘出不同类型文章之间的关联关系？
答案是肯定的。但问题的关键是，怎么定义阅读行为？
在订阅号的场景下，可以将用户在一天内看的所有文章当作是用户的一次阅读行为。
通过对用户阅读行为的关联分析，就能更多地了解顾客的阅读习惯，从而为订阅号每日推文的组合提供参考。
基于这一目标，以及使用 Apr 算法实现关联分析的流程，我们拆解到如下三个分目标：

从运营那我们拿到了一份记录用户阅读轨迹的数据。公众号用户访问数据.csv

In [ 37 ]
1 import pandas as pd
2 # 以 gbk 的编码模式读取并查看【公众号用户访问数据.csv】数据
3 user_data = pd.read_csv('./工作/公众号用户访问数据.csv',encoding='gbk')
4 user_data
运行
Out [ 37 ]
用户编号	文章类别	阅读数	看一看	点赞	赞赏	被转载	访问日期
0	1	数据分析	20051	1203	2406	80	601	2020/9/21
1	2	数据分析	11690	584	1519	46	233	2020/9/17
2	3	数据分析	5720	400	572	45	228	2020/9/2
3	4	数据分析	22502	1125	3150	45	900	2020/9/24
4	5	数据分析	11201	560	1344	89	448	2020/9/8
...	...	...	...	...	...	...	...	...
194	98	pandas	7454	521	819	29	223	2020/9/20
195	98	pandas	7587	379	910	22	151	2020/9/20
196	99	数据分析	12179	852	1217	48	487	2020/9/23
197	99	pandas	11715	585	1288	46	351	2020/9/23
198	99	matplotlib	11542	692	1269	11	230	2020/9/23

一天内会有多名用户进入订阅号，而一个用户一天内可能阅读了多篇文章
比如2020/9/21这一天，其中3名用户的阅读轨迹如下图所示。同一个用户在同一天阅读的所有文章我记做 1 次阅读，如此，我就有了以下 3 条阅读记录（事务）。

我们分析的是文章类型之间的联系，而不是单篇文章的数量关系，因此，尽管编号为74的用户同时看了2篇Python，这里也只记做1个。
综上，初步判断这份数据是可以达成总目标的，但不能直接进行关联分析，需要对数据进一步处理。
我们的第一个分目标是：获取可以直接进行关联分析的用户数据。

三、数据处理

目标 1：获取可以进行关联分析的用户数据，基于这个分目标，我们需要先对原数据进行处理，而处理这一环节，由两个步骤组成：数据清洗和数据整理。

3.1关于数据清洗，略…

3.2数据整理

前面，经过我们对目标的探讨，可以直接进行关联分析的数据，理想状态应该是长这样的：

处理这份数据的关键在于：① 提取数据 ② 数据去重 ③数据转换（列表） ④分组聚合
汇集同一个用户阅读的文章类型，也就是数据的合并，可能会联想到用sum()函数，将“文章类型”列进行求和，字符串就会“拼接”起来，像这样：

In [ 39 ]
1 test1 = pd.DataFrame({
   '班级': [1, 2, 2, 1], '姓名': ['王薇', '刘敏', '陈芳', '袁芬']})
2 test1 = test1.groupby(['班级']).sum()
3 test1
运行
Out [ 39 ]
姓名
班级	
1	王薇袁芬
2	刘敏陈芳

数据确实是“并”在一起了，但字符串首尾相连，连个空格都没有，后续不好处理。
问题似乎出在数据的格式上，既然字符串在聚合时会无缝拼接，不如先转换成列表，再来合并。

In [ 40 ]
1 test2 = pd.DataFrame({
   '班级': [1, 2, 2, 1], '姓名': [['王薇'], ['刘敏'], ['陈芳'], ['袁芬']]})
2 test2 = test2.groupby(['班级'<