教育平台线上课程用户行为分析

教育平台线上课程用户行为分析

一. 分析的背景和目的

因为新冠疫情的影响，越来越多的教育平台开启了线上课程。线上课程相较于传统的线下课程，不论时间还是地点都更加的灵活，人们开始更加倾向于选择线上学习。但是现在还是线上课程的发展阶段，还有很多方面需要加强。本报告通过两年某线上教育平台的数据，分析用户行为，为平台制定综合性的课程推荐策略。数据来源于2020年泰迪杯个人技能赛数据，为某平台真实数据。

二. 分析维度（目的）

1. 活跃用户分析

• 活跃用户数
• 流失率

2. 用户分布分析

• 各省（城市）人数分布
• 学习时长/选课数量对比

3. 线上课程推荐（受欢迎程度）

• 选课最多/最少
• 收费/免费课程分析
• 课程价格对受欢迎程度的影响

三. 数据预处理

1. 数据构成

数据集一共有三个表格，分别为login, users, study_information。
login主要有用户的登录时间以及登录地区，users主要有注册时间，最近登录时间，学习时长等，study_information主要有加入课程时间，学习进度，价钱等。

describe login

describe study_information

describe users

2. 数据清洗

• 缺失值

数据存在的缺失值并不是很多，以下的列存在缺失值：

recently_logged（最近登录时间）存在缺失值：5376
user_id （用户ID）存在缺失值：67
school（学校）存在缺失值：33412

其中最近登录时间和用户ID无法进行自主填充，而且没有超过总数据的20%，采取删除操作。因为后面的分析并不需要学校的信息，所以对于学校的缺失值不采取措施。学校的大量缺失值可能因为填写个人信息时不属于必填的信息，所以会造成大量缺失。

#查询userID是否为空值（null）
select count(*)
from users
where user_id is null;

#去除users表格缺失值
select *
from users
where recently_logged != '--' and user_id is not null

• 重复值

其中只有users表格是记录用户信息的，每个用户只有一次记录，所以通过对比user_id，发现有3条重复记录。其余的两个表格为登录和学习表格，会存在一个用户多条记录。

#检查数据中知否包含重复值
select
       user_id,
       register_time,
       recently_logged,
       count(user_id) a