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，为该化妆品商店真实的用户交易信息，数据集中每一行表示一个事件，所有的事件都与商品和用户相关，并且用户的点击行为之间是有时间顺序的。数据集中包含了商品和用户的多个属性，例如商品编号、商品类别、用户编号、事件时间等。

PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取

python免费学习资料以及群交流解答点击即可加入

数据说明

主要思路

对用户id进行分组
统计类别、品牌、收藏、加购物车、下单等特征，赋予合理的权重
构建时间特征
使用lgb的多分类模型进行训练

主要代码：

注意：此版本代码lgb版本是2.0.3

import gcimport pandas as pd
from sklearn.preprocessing import LabelEncoderpaths = r'E:\项目文件\CCF\电商用户购买行为预测'
data = pd.read_csv(f'{paths}/train.csv')
submit_example = pd.read_csv(f'{paths}/submit_example.csv')
test = pd.read_csv(f'{paths}/test.csv')data['user_id'] = data['user_id'].astype('int32')
data['product_id'] = data['product_id'].astype('int32')
data['category_id'] = data['category_id'].astype('int32')
lbe = LabelEncoder()
data['brand'].fillna('0', inplace=True)
data['brand'] = lbe.fit_transform(data['brand'])
data['brand'] = data['brand'].astype('int32')
# data['event_time'] = pd.to_datetime(data['event_time'], format='%Y-%m-%d %H:%M:%S')
data.fillna(0, inplace=True)
gc.collect()train_X = data
test_data = test# 构建特征
groups = train_X.groupby('user_id')
temp = groups.size().reset_index().rename(columns={0: 'u1'})
matrix = temp
temp = groups['product_id'].agg([('u2', 'nunique')]).reset_index()
matrix = matrix.merge(temp, on='user_id', how='left')
temp = groups['category_id'].agg([('u3', 'nunique')]).reset_index()
matrix = matrix.merge(temp, on='user_id', how='left')
temp = groups['brand'].agg([('u5', 'nunique')]).reset_index()
# TODO 根据用户购买行为去构建特征
# temp = groups['event_type'].value_counts().unstack().reset_index().rename(
#     columns={0: 'u7', 1: 'u8', 2: 'u9', 3: 'u10'})
matrix = matrix.merge(temp, on='user_id', how='left')label_list = []
for name, group in groups:product_id = int(group.iloc[-1, 2])label_list.append([name, product_id])train_data = matrix.merge(pd.DataFrame(label_list, columns=['user_id', 'label'], dtype=int), on='user_id', how='left')# 构建特征
groups = test_data.groupby('user_id')
temp = groups.size().reset_index().rename(columns={0: 'u1'})
test_matrix = temp
temp = groups['product_id'].agg([('u2', 'nunique')]).reset_index()
matrix = test_matrix.merge(temp, on='user_id', how='left')
temp = groups['category_id'].agg([('u3', 'nunique')]).reset_index()
matrix = matrix.merge(temp, on='user_id', how='left')
temp = groups['brand'].agg([('u5', 'nunique')]).reset_index()
# TODO 根据用户购买行为去构建特征
# temp = groups['event_type'].value_counts().unstack().reset_index().rename(
#     columns={0: 'u7', 1: 'u8', 2: 'u9', 3: 'u10'})
test_data = matrix.merge(temp, on='user_id', how='left')test_data = test_data.drop(['user_id'], axis=1)train_X, train_y = train_data.drop(['label', 'user_id'], axis=1), train_data['label']
# train_X.to_csv('train_deal.csv', index=False)
# train_y.to_csv('train_y_deal.csv', index=False)
# test_data.to_csv('test_data.csv', index=False)# 导入分析库
import lightgbm as lgbmodel = lgb.LGBMClassifier(max_depth=5,n_estimators=10,
)model.fit(train_X,train_y,eval_metric='auc',eval_set=[(train_X, train_y)],verbose=False,early_stopping_rounds=5
)prob = model.predict(test_data)import numpy as npnp.savetxt(paths + '\\prob1.csv', prob)
submit_example['product_id'] = pd.Series(prob[:, 0])
submit_example.to_csv(paths + r'\\lgb1.csv', index=False)

耍花招凑提交的方法，直接默认买最后一条记录，小心被封号

import pandas as pdpaths = r'E:\项目文件\CCF\电商用户购买行为预测'
submit_example = pd.read_csv(f'{paths}/submit_example.csv')
test = pd.read_csv(f'{paths}/test.csv')# 构建特征
groups = test.groupby('user_id')
label_list = []
for name, group in groups:product_id = int(group.iloc[-1, 2])label_list.append([name, product_id])submit_example = pd.DataFrame(label_list, columns=['user_id', 'product_id'])
submit_example.to_csv(paths + r'\\label_list.csv', index=False)

参考文献，思路都差不多，主要看你怎么构造特征了，加油吧少年

原文地址：电商用户购买行为预测-排名48-0.23_一个有趣的人-CSDN博客

利用Python对电商用户购买行为进行预测!这都能预测到？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 ...
【Python】电商用户行为数据可视化分析实战
本文中,云朵君将和大家一起从多个角度使用多个可视化技术,根据各种因素跟踪客户在电子商务网站的花费时间. 关于数据集数据集来自kaggle -- Machine Hack. 先进电子商务的用户数量激增 ...
电商用户购买行为数据分析
1 相关背景数据来源:该数据集来自The UCI Machine Learning Repository 数据背景:该数据集是英国某电商在2年内的全部在线销售数据,该电商主要销售独特的全时礼品,多数 ...
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 ...
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 ...
基于 flink 的电商用户行为数据分析【9】| 电商常见指标汇总 + 项目总结
本文已收录github:https://github.com/BigDataScholar/TheKingOfBigData,里面有大数据高频考点,Java一线大厂面试题资源,上百本免费电子书籍,作者 ...
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 ...

利用Python对电商用户购买行为进行预测!这都能预测到？

利用Python对电商用户购买行为进行预测!这都能预测到？相关推荐

最新文章

热门文章