电商用户行为预测

数据初步探究

电商用户行为预测
数据分析
- 导入相关包
- 自定义采样函数
- 读取数据
- 数据预处理
- 数据浏览
- - 用户的交互行为_训练集
  - - trn_click.csv文件数据中每个字段的含义
  - 用户点击日志信息
  - 直方图查看基本属性分布
- 数据分析

数据分析

导入相关包

%matplotlib inline
import pandas as pd
import numpy as npimport matplotlib.pyplot as plt
import seaborn as sns
plt.rc('font', family='SimHei', size=13)import os,gc,re,warnings,sys
warnings.filterwarnings("ignore")

自定义采样函数

def get_all_click_sample(data_path, sample_nums=10000):"""训练集中采样一部分数据调试data_path: 原数据的存储路径sample_nums: 采样数目（这里由于机器的内存限制，可以采样用户做）"""all_click = pd.read_csv(data_path + 'train.csv')all_user_ids = all_click.user_id.unique()sample_user_ids = np.random.choice(all_user_ids, size=sample_nums, replace=False) all_click = all_click[all_click['user_id'].isin(sample_user_ids)]all_click = all_click.drop_duplicates((['user_id', 'product_id', 'event_time']))return all_click

读取数据

采取10000个用户的样本集

data_path = 'F:/data/'
trn_click = get_all_click_sample(data_path, sample_nums=10000)
tst_click = pd.read_csv(data_path+'test.csv')

数据预处理

统计用户的交互行为次数，并添加新的一列count

#计算用户与商品交互的次数，并添加新的一列count
trn_click['click_cnts'] = trn_click.groupby(['user_id'])['event_time'].transform('count')
tst_click['click_cnts'] = tst_click.groupby(['user_id'])['event_time'].transform('count')

数据浏览

用户的交互行为_训练集

trn_click.csv文件数据中每个字段的含义

event_time:用户行为发生的时间

event_type:用户的行为类型[浏览,加入购物车,从购物车删除, 购买]

product_id:用户查看或购买的商品的唯一标识

catagory_id:商品类型ID

category_code：商品类型的实际意义

brand：商品品牌

price：商品价格

user_id: 用户的唯一标识

user_session：用户会话ID

click_cnts：同一用户的交互次数

用户点击日志信息

trn_click.info()

trn_click.describe()

#训练集中的用户数量为10000
trn_click.user_id.nunique()

trn_click.groupby('user_id')['product_id'].count().min()  # 训练集里面每个用户至少点击了一个商品

直方图查看基本属性分布

plt.figure()
plt.figure(figsize=(15, 20))
i = 1
for col in ['event_time', 'event_type', 'product_id', 'category_id', 'category_code', 'brand', 'price', 'user_id', 'user_session', 'click_cnts']:plot_envs = plt.subplot(4,3, i)i += 1v = trn_click[col].value_counts().reset_index()[:10]fig = sns.barplot(x=v['index'], y=v[col])for item in fig.get_xticklabels():item.set_rotation(90)plt.title(col)
plt.tight_layout()
plt.show()

从直方图可以基本看出，交互行为发生的时间大多在10月2日。
用户的行为类型大多数为浏览，加入购物车，真正的购买行为较少。
在各大商品中，家电、真空吸尘器、环保用品的关注度最高，其次为文具、服装、手套等，家具，桌柜等产品不是很受购买者青睐。
从商品品牌来看，runail 品牌影响力更大一些。
客户点击率来看，大多数用户交互行为为4次，最高的为29次，至少1次。

数据分析

#用户重复点击
user_click_count = trn_click.groupby(['user_id', 'product_id'])['event_time'].agg({'count'}).reset_index()
user_click_count[:10]

user_click_count['count'].unique()

#用户交互次数
user_click_count.loc[:,'count'].value_counts()

电商用户行为预测数据初探相关推荐

电商用户购买行为预测-排名48-0.23
任务:依据电子商务平平台上真实的用户行为记录,利用机器学习相关技术,建立稳健的电商用户购买行为预测模型,预测用户下一个可能会购买的商品. 数据简介数据整理自一家中等化妆品在线商店公布的网上公开数据集 ...
CCF大赛：电商用户购买行为预测解决方案
电商用户购买行为预测比赛介绍互联网的出现和普及给用户带来了大量的信息,满足了用户在信息时代对信息的需求,但是网上信息量的大幅增长也带来了"信息过载"的问题.这使得用户在面对大量 ...
【Python】电商用户复购数据实战：图解Pandas的移动函数shift
公众号:尤而小屋作者:Peter 编辑:Peter 本文主要介绍的是pandas中的一个移动函数:shift.最后结合一个具体的电商领域中用户的复购案例来说明如何使用shift函数. 这个案例综合性 ...
利用Python对电商用户购买行为进行预测!这都能预测到？
任务:依据电子商务平平台上真实的用户行为记录,利用机器学习相关技术,建立稳健的电商用户购买行为预测模型,预测用户下一个可能会购买的商品. 数据简介数据整理自一家中等化妆品在线商店公布的网上公开数据集 ...
对电商用户的数据分析！
一.以淘宝等为主的用户分析场景以淘宝.京东和拼多多为典型的用户+商品消费场景,是国内用户量最多的业务场景,也是产生利润最多的业务场景.在这其中,客户拥有最大的自主权,如何有效地加以利用或辨别客户在行 ...
电商用户行为实时分析系统（Flink1.10.1）
文章目录 [实验题目]电商用户行为实时分析系统 [实验描述] [实验目的] [实验时间] [实验环境] [实验内容] [实验步骤] 1. 创建Maven项目 1.1项目框架搭建 1.2 声明项目中工具 ...
电商用户行为数据分析实战（MySQL +PowerBI）
目录一.项目概况二.数据源三.数据清洗 3.1 选择子集导入,匹配适合的数据类型 3.2 列重命名 3.3重复值处理 3.4 缺失值处理 3.5 异常值处理从timestamps字段中提取日期 ...
基于大数据的线上线下电商用户数据挖掘研究
From:http://www.thebigdata.cn/JieJueFangAn/11932p2.html Online-to-Offline( 简称 O2O)电子商务模式,是一个连接线上用户和线 ...
尚硅谷大数据技术之电商用户行为数据分析
尚硅谷大数据技术之电商用户行为分析第1章项目整体介绍 1.1 电商的用户行为电商平台中的用户行为频繁且较复杂,系统上线运行一段时间后,可以收集到大量的用户行为数据,进而利用大数据技术进行深入挖掘 ...

电商用户行为预测数据初探

电商用户行为预测

数据初步探究

数据分析

导入相关包

自定义采样函数

读取数据

数据预处理

数据浏览

用户的交互行为_训练集

trn_click.csv文件数据中每个字段的含义

用户点击日志信息

直方图查看基本属性分布

数据分析

电商用户行为预测数据初探相关推荐

最新文章

热门文章