2021-06 电商项目客户行为分析及预测
项目记录：本项目原始数据为某电商平台半年业务数据。
需根据业务数据完成：
1、结合业务素具，对订单客户进行初步用户画像描绘；
2、根据业务数据进行数据分析，建立模型，通过业务数据训练模型，拟定大促期间商品下单量：
**项目说明：
第一个模块为根据已有半年数据进行客户画像描绘；
涉及工具：python(pandas)、excel、tableau
第二个模块为根据前期数据行为预测出商品下单量
涉及工具：python(numpy、sklearn)、tableau**
第一个项目：客户画像描绘
项目背景
促销活动来袭，某平台希望通过发短信的形式，向潜在的用户发送广告和优惠信息，吸引他们来购物。
由于短信服务商限制，需要对客户进行精细匹配，通过已有信息进行客户画像描绘，找到最容易转化的人群，并且通过数据可以发现客户更青睐于在哪些时段下单，以期在适合时段进行短信推送。
项目目的
对于背景将任务拆解：
通过数据，找到最有可能转化的人群特征（年龄、性别、地域）等；
通过数据，决定出最有利于转化的营销短信投放时间。
项目资料
业务部门提供，包括三部分内容:
用户行为表：最近 6 个月的用户行为记录。
VIP 会员表：用户 VIP 会员开通情况。
用户信息表：用户的相关信息。
首先对于每个表的内容进行解释：
-
用户行为表：user_behavior_time_resampled.csv，包括
-
vip会员情况 vip_user.csv
-
用户信息情况 user_info.csv
-
用excel单独点开各自csv，发现三个表数据的量级分别是1100万，30万和40万，用excel操作比较费力。
因而需要用python中的pandas等库进行分析处理。
整个过程包括 数据预处理-异常值剔除-按照要求进行处理分析
分析过程
a. 导入有关数据
import pandas as pd
df_user_log = pd.read_csv("data/user_behavior_time_resampled.csv")
df_user_info = pd.read_csv("data/user_info.csv")
df_vip_user = pd.read_csv("data/vip_user.csv")
# 查看有关数据
df_user_log
df_user_info
df_vip_user
b. 异常值分析-时间节点
在第一个行为表中出现了time_stamp与timestamp两个情况，需要对两个数据展开分析分别代表用户的哪种时间行为。
在数据表中
两个时间戳字段 time_stamp 和 timestamp 的值是不一样的。 time_stamp 看起来是个整数，值比较小，而 timestamp 看起来是个浮点数，值比较大，普遍在五位数，其他看不出来。
对于不明确的数据，一般用的是看边界：也就是看整个列中最大值与最小值，输入代码：
time_stamp_max = str(df_user_log['time_stamp'].max())
time_stamp_min = str(df_user_log['time_stamp'].min())
print("time_stamp max: " + time_stamp_max, "time_stamp min: " + time_stamp_min)
timestamp_max = str(df_user_log['timestamp'].max())
timestamp_min = str(df_user_log['timestamp'].min())
print("timestamp max: " + timestamp_max, "timestamp min: " + timestamp_min)
结果显示：
time_stamp max: 1112, time_stamp min: 511
timestamp max: 86399.99327792758, timestamp min: 0.10787397733480476
由此可见，time_stamp 的最大值为 1112，最小值为 511，而 timestamp 的最大值为 86399.99 最小值为 0.1。
考虑到是要对近6个月的情况进行分析，511-1112，更像是5月11日至11月12日近半年的情况，而timestamp的最大值为86399，根据一天24小时，每小时60分，每分60秒，一天86400s，所以这列数据为每天的第几秒发生了操作这个行为。
补充知识：在日期分析时，需要对【86400】敏感，因为一天共有86400s
随后对 time_stamp进行重命名
# time_stamp 改为 date
df_user_log.rename(columns={'time_stamp':'date'}, inplace = True)
df_user_log
c. 清洗各表数据
这里首先对空值进行统计，用的是pandas中的isnull.sum
- 对于log表进行清洗
# 清洗表1数据
df_user_log.isnull().sum()
输出结果：
18132对于整个1100万数据来说，缺失率为0.1%，占比较小，所以可跳过不进行额外处理。
- 对于info表进行清洗
df_user_info.isnull().sum()
结果：
对于整体30w数据，缺失值影响也不大，但考虑到后面还要对年龄和性别进行描绘，所以要对异常值进行删除处理。
操作代码：
df_user_info = df_user_info.dropna()
df_user_info
查看处理过的数据情况
print(df_user_info.loc[df_user_info["age_range"] == 0.0, ["user_id"]].shape)
print(df_user_info.loc[df_user_info["gender"] == 0.0, ["user_id"]].shape)
# 第一行代表年龄为空的记录数，第二行代表性别为空的记录数。
结果：
(90638, 1)
(285634, 1)
补充-缺失值处理方法（pandas）
查看缺失值：
按单元格查看：df.isna()
按列查看：df.isna().sum()
按行查看：df.isna().sum(1)
有缺失值的列：df.loc[:, df.isna().any()]
有缺失值的行：df_scores.loc[df_scores.isna().any(1),:]
缺失值总个数：df.isna().sum().sum()
处理缺失值：
删除缺失值：df.dropna()
缺失值替换：df.fillna()
缺失值插值（线性）：df.interpolate()
处理重复值：
查看重复行：df.duplicated()
删除重复行：df.drop_duplicates()
- 清洗vip表
代码：
df_vip_user.isnull().sum()
结果：
这个表数据完整，不需要做清洗。
c. 数据分析环节
（1）用户年龄分布分析
df_user_info.age_range.value_counts()
结果：
3.0 110952
0.0 90638
4.0 79649
2.0 52420
5.0 40601
6.0 35257
7.0 6924
8.0 1243
1.0 24
用tableau可视化：
由图可见：
取值为 3.0 和 4.0 的占到绝大多数，根据上面数据集的定义，取值为 3 代表 25～30 岁，取值为 4 代表 30～34 岁。
所以年龄在可以得到， 25～34 岁之间的用户占绝大多数。（age_range 取值 3.0、4.0）。
然后，我们可以通过代码计算出 25～34 岁用户的比例。首先通过 loc 函数筛选出所有不等于 0 的记录，然后计算年龄段等于 3.0 与年龄段等于 4.0 的总数除以所有非 0 记录的总数，计算的代码如下：
user_ages = df_user_info.loc[df_user_info["age_range"] != 0, "age_range"]
user_ages.loc[(user_ages == 3) | (user_ages == 4) ].shape[0] / user_ages.shape[0]
计算结果发现：25～34 岁用户占到了 58% 的比例
换句话说，平台对于未成年人购买控制较好，而平台购买的主力人群是中青年。
（2）用户性别分布分析
采用value_counts 分析,代码如下：
df_user_info.gender.value_counts()
输出结果
0.0 285634
1.0 121655
2.0 10419
数据显示，女性是男性购买数量的2.35倍。
从用户群体的分析上，已经大概勾勒出我们的目标用户画像，25~34 岁之间的女性群体。但目前分析的只是注册用户的信息，需要结合其他表对购买情况来分析，从购买力的角度出发去判断。
（3）不同年龄段用户下单行为分析
前边提到过，三个表都有字段：user_id，并且该字段是唯一属性，那么可以将所需表通过user_id联结起来（类比sql知识）
# 第三步 user_log与user_info合并
df_user_log = pd.read_csv("data/user_behavior_time_resampled.csv")
df_user_log.rename(columns={'time_stamp':'date'}, inplace=True)
df_user_log = df_user_log.join(df_user_info.set_index('user_id'), on = 'user_id')
df_user_log
结果：
这里我们需要过滤出下单用户判断其购买力，如果是excel可以直接筛选，但是数量级较大，则需要用pandas中的loc模块
# 第四步分析和并表，从不同年龄段分析
df_user_log.loc[df_user_log["action_type"] == "order", ["age_range"]].age_range.value_counts()
# 数据集定义应该为 action_type = order
输出结果
3.0 172525
4.0 153795
0.0 114908
5.0 79298
6.0 61534
2.0 59072
7.0 10785
8.0 1924
1.0 21
购买人群年龄分布图
重点关注的还是最终的下单转化情况，所以我们筛选了行为为 “order”的记录，查看其年龄段分布。
可以看到，下单的年龄段分布和用户信息的分布基本一致，25-34 岁的人占到 59.9%。
（4）不同性别用户下单行为分析
类比年龄，条件筛选改为性别
df_user_log.loc[df_user_log["action_type"] == "order", ["gender"]].gender.value_counts()
输出结果
0.0 467381
1.0 161999
2.0 24482
可以看到，女性用户不仅注册用户远超过男性，购买力同样惊人，是男性下单量的 2.9 倍。
基本可以确定，营销信息要聚焦的用户群应该是 25～34 岁的女性。
（5）不同日期的下单行为分析
这里可以对date日期进行value_count，但若是可以对日期进行精准匹配，效果会更好，那么：
通过给 value_counts 函数增加 bins 参数，bins 的值代表要分成几组，之后的数据分布就会按组输出。在这里，因为数据集是半年的，所以我们分六组（看每个月的分布）
PS.精细分上下半月可以分成12个bins，分成6个月的代码：
df_user_log.loc[df_user_log["action_type"] == "order", ["date"]].date.value_counts(bins = 6)
输出结果：
(1011.0, 1111.0] 333721
(811.0, 911.0] 70699
(911.0, 1011.0] 69427
(510.399, 611.0] 68776
(611.0, 711.0] 62901
(711.0, 811.0] 54053
Name: date, dtype: int64
转化成图表（tableau）-气泡图
接下来对于每天下单时间进行解析，这里更倾向于基于小时级的数据去分析。
所以我们考虑基于 timestamp 这一列，新创建一列时间，来表示小时。
在这里，我们就是以 timestamp 列为基础，将其值除 3600， 然后用这个值创建一个新的列：time_hours_view.
直接用 value_count 来统计新增的 time_hours_view 字段，就可以实现对一天中的小时级分布进行分布统计。我们以两个小时为尺度，来查看分布，所以分为 12 组，也可以分成24组，查看每小时的下单数。
# 第七步 不同时间段的下单情况分析
# time_stamp 记录的是每条记录的下单时间，从当天零点的记录值
# 创建新列：time_hours_view
# df_user_log.loc["time_hours_view"] = df_user_log["timestamp"]/3600
df_user_hour = df_user_log["timestamp"]/3600
# 以两个小时为跨度，查看分布情况
df_user_log.loc[df_user_log["action_type"] == "order", ["time_hours_view"]].time_hours_view.value_counts(bins = 12)
# 以一个小时为跨度，查看分布情况
df_user_log.loc[df_user_log["action_type"] == "order", ["time_hours_view"]].time_hours_view.value_counts(bins = 24)
每小时的下单情况结果：
(21.0, 22.0] 47204
(20.0, 21.0] 47005
(19.0, 20.0] 46476
(22.0, 23.0] 46098
(23.0, 24.0] 45431
(18.0, 19.0] 44854
(17.0, 18.0] 44147
(16.0, 17.0] 41534
(15.0, 16.0] 39146
(14.0, 15.0] 36226
(13.0, 14.0] 33298
(12.0, 13.0] 30282
(11.0, 12.0] 27007
(10.0, 11.0] 23902
(9.0, 10.0] 20777
(8.0, 9.0] 18161
(7.0, 8.0] 15118
(6.0, 7.0] 12844
(5.0, 6.0] 10575
(4.0, 5.0] 8853
(3.0, 4.0] 6999
(2.0, 3.0] 5640
(1.0, 2.0] 4412
(-0.025, 1.0] 3588
各时间段下单情况树状图：
柱状图：
从上面图标可以看出，尽量避开中午11-12点进行促销信息投送，晚间17点之后是下单高峰期，建议在该时段进行广告投放。
第一个项目数据分析小结
考虑投放成本，如果成本/时间有限，那么：
用户首先应该针对 25～34 岁的女性，
优先投放时间为10 月中下旬到 11 月中旬
优先投放时间为晚上 5 点之后
其次根据成本，按照高比例目标群体进行短信投放
第二个项目：回归模型预测出产品销量**
项目背景：
根据用户行为记录，预测出每款商品的销量，这样可以提前知会供应商按照预测销量进行准备，避免之前准备不足的问题.
项目准备
仍是第一个项目所用的三个表格，具体字段解释也如同表1.
整个项目进行目标拆解：
数据清洗——分析指标拆解——特征工程——训练模型输出结果
1. 数据清洗
首先导入库
import pandas as pd
import numpy as np
df_user_log = pd.read_csv("data/user_behavior_time_resampled.csv")
df_user_info = pd.read_csv("data/user_info.csv")
df_vip_user = pd.read_csv("data/vip_user.csv")
结果(以log表为例）：
接着要对缺失值进行查看：
df_user_log.isnull().sum()
结果：
user_id 0
item_id 0
cat_id 0
seller_id 0
brand_id 18132
time_stamp 0
action_type 0
timestamp 0
click 0
cart 0
order 0
fav 0
dtype: int64
第二个项目主要对用户行为（click、fav、order、cart）进行分析，对brand要求不高，所以不对缺失值进行插值/删除等异常值处理。
对关注的用户行为进行统计：
df_user_log["action_type"].value_counts()
结果：
```python
# 分别插入 click、cart、order、fav 四列，表示点击、加购物车、下单和收藏
# 规则见上面的文字描述
# 这里用到了lambda表达式，这是一种精简的函数表示法：
# def fn(参数):
#return 参数表达式
df_user_log["click"] = df_user_log.action_type.apply(lambda l:1 if l=="click" else 0)
df_user_log["cart"] = df_user_log.action_type.apply(lambda l:1 if l=="order" else 0)
df_user_log["order"] = df_user_log.action_type.apply(lambda l:1 if l=="fav" else 0)
df_user_log["fav"] = df_user_log.action_type.apply(lambda l:1 if l=="cart" else 0)
# 查看添加之后的 user_log 表
``
2. 目标拆分
我们更关注的指标是用户下单数，而在对下单数产生影响的有 点击数、加购物车数、收藏量以及从店铺角度出发的用户数、商品数等。
ps.正常在做商业数据分析通常思考的维度是人、货、物。
人：用户分析——用户的新增/活跃情况，时段分布、渠道用户、地域分布及启动/激活情况
货：产品分析——产品分析了解产品的浏览量、点击量、订单、入篮量、购买用户数等信息，帮助企业了解不同商品、不同品牌用户的关注度、购买力等信息。
物：场景运营分析，从用户体验的角度来分析，对各个购物场景进行优化，提升用户的体验，增强用户粘性。
# 商品维度——查看数据分布
print("click 数据分布：\n",df_user_log.click.value_counts())
print("order 数据分布：\n",df_user_log.order.value_counts())
print("fav 数据分布：\n",df_user_log.fav.value_counts())
print("cart 数据分布：\n",df_user_log.cart.value_counts())
挑选出相关性高的：
df_clean = df_user_log[["item_id", "click", "cart", "order","fav"]]
df_clean
结果：
按照要求进行聚合
# 按照“item_id”进行聚合
df_item = df_clean.groupby(["item_id"]).sum()
df_item
# 从结果上看，我们以2号商品为例，它总计是点击511次，加车67次，下单60次，没有被加入到收藏夹
接着从商家角度出发进行数据整合及分析
商家表在三个表中都有涉及，首先对数据量较小的vip表进行查看
发现，原字段是“merchant_id”，所以先改名，然后根据要求进行筛选
# 重命名 merchant_id 为 seller_id
df_vip_user = df_vip_user.rename( columns={"merchant_id" : "seller_id"})
# 选取 seller_id和label 这连烈，斌将结果通过 seller_id 聚合，相同 seller_id 的记录的label求和
df_brand_vip_users = df_vip_user[["seller_id","label"]].groupby("seller_id").sum()
# 查看保存了店铺 vip 用户数的表的内容
df_brand_vip_users
# 解释：第二个店铺（店铺id=2）有着2个vip用户
结果：
seller_id label
2 2
8 1
9 1
10 16
13 15
... ...
4987 0
4988 2
4991 0
4992 73
4993 4
接着需要计算每个店铺的商品数
计算店铺的商品数，首先我们可以从用户行为表中筛选出 seller_id 和 item_id。 因为我们只关心店铺的商品数，所以我们可以先按 item_id 去重，这样留下来的记录就是商品的总数。然后我们在这个表的基础上，将 item_id 列都赋值为 1 ，然后再按 seller_id 聚合，让 item_id 做求和的运算，就可以得出每个 seller_id 对应的商品数。
代码：
# 筛选出 seller_id 和 item_id
df_seller_item_count = df_user_log[["seller_id", "item_id"]]
# 按item_id 去重，因为 itemid 一样的记录，seller_id 肯定也一样，所以 seller_id没有影响
df_seller_item_count = df_seller_item_count.drop_duplicates("item_id")
# 将 item_id 列赋值为 1，方便做求和
df_seller_item_count["item_id"] = 1
# 按seller_id 聚合，然后针对 item_id 列求和
df_seller_item_count = df_seller_item_count.groupby("seller_id").sum()
# 将 item_id 列改为 item_count， 避免有歧义
df_seller_item_count = df_seller_item_count.rename(columns = {"item_id" : "item_count"})
# 查看结果
df_seller_item_count
结果：
我们第二个店铺特征的表也准备好了，index 为 seller_id， 有一列 item_count 代表店铺的商品总数。
接着把商品与用户连接在一起。
先查看一下商品特征表
df_item
可以看到，目前商品特征表中只有 item_id，没有 seller_id。 所以没有办法直接关联店铺特征表。所以第一步，我们首先需要把商品特征表增加 seller_id 的字段。
要增加 seller_id，只需要我们用类似之前的方法，从原始的行为表中抽取出 seller_id 和 item_id 的对应关系表，然后再将对应关系表拼接进商品特征表中即可。代码如下：
# 从原始行为表中取出 item_id 和seller_id ，构成新表
df_brand_item_map = df_user_log[["item_id", "seller_id"]]
# 按照item_id去重，去重后得到的结果就相当于是 item id 和 seller_id 的映射关系
df_brand_item_map = df_brand_item_map.drop_duplicates("item_id")
# 将 df_brand_item_map 映射进 df_item， 以 item_id 为 key
df_item = df_item.merge(df_brand_item_map, how="left", on="item_id")
# 查看最新的商品特征表
df_item
结果：
可以看到，现在商品特征表已经多了 seller_id 的字段，现在可以将两个店铺特征表拼接进商品特征表
首先拼接店铺的 VIP 用户数表。代码如下
# 将店铺vip用户特征表拼接到商品特征表中，以 seller_id 为 key
df_item = df_item.merge(df_brand_vip_users,how = "left", on="seller_id")
df_item
对于结果中的空值：
# 用 0 填充缺失值
df_item["label"] = df_item["label"].fillna(0)
df_item
接着把需要的商品参数表添加到总表中
df_item = df_item.merge(df_seller_item_count, how = "left", on = "seller_id")
df_item
3.模型回归分析
#总表已经做好，现在要开始进行回归分析
#一般常见的做法是，将现有的数据拆成两份，比如 70% 一份，30% 一份。 70% 的数据用来训练模型，训练完之后用剩下的 30% 的数据进行测试。这样就能够在模型上线之前就能够衡量模型的好坏。sklearn 提供了现成的 train_test_split 函数，可以帮我们实现数据集的分割。
在这之前，需要：
#确定因变量和自变量。因变量是order列，商家最关心下单的情况。而自变量是除了order之外其他的参数。
# 导入分割的方法
from sklearn.model_selection import train_test_split
# 自变量的数据表（删去无关因素-order、seller_id、item_id）
X = df_item.drop(columns=["order", "seller_id","item_id"])
# 因变量
y = df_item["order"]
# 分别切割出训练集，测试集，测试机的比例是 20%
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.20, random_state=42)
# random_state:随机数种子是为了保证每次随机的结果都是一样的
# 查看自变量的测试集合
X_train
可以看出训练集有60w行，基本占原75w数据的80%。
建立线性回归模型
这次因变量和自变量参数都较少，直接调用 fit 方法来从 X_train 和 y_train 中训练模型:
训练结束之后，我们可以用 linear_model 来 predict X_test，然后拿 predict 函数返回的结果和 y_test 比较，就能知道我们模型的误差：
代码：
# 创建线性回归
from sklearn.linear_model import LinearRegression
linear_model = LinearRegression()
linear_model.fit(X_train, y_train)
# predict X_test 对应的 y 值
y_pred = linear_model.predict(X_test)
# 用 scores 方法，查看模型自变量和因变量的相关性
print("Scores:", linear_model.score(X_test, y_test))
# 查看 predict y 和 y test的平均绝对误差 print("MAE:", mean_absolute_error(y_test, y_pred))
# 查看模型的 b 值
print("intercept:", linear_model.intercept_)
# 查看模型的系数
print("coef_:", linear_model.coef_)
结果：
Scores: 0.5953635262886714
intercept: 0.21366637452290682
coef_: [1.90125287e-02 2.27102336e-01 3.48815749e+00 2.33892260e-03
8.03289578e-05]
MAE: 0.99399
PS. MAE=平均绝对误差（Mean Absolute Error），观测值与真实值的误差绝对值的平均值
模型的相关性分数说 0.44， 对于现实世界中的回归问题来说，这也算是个不错的成绩，说明我们的特征还是很大程度能够影响下单量。MAE 是 0.99，说明对于测试集而言，我们模型预测的结果和实际的真实结果非常接近，说明模型的拟合还是比较好的。
从模型系数中可以看到，我们的前三个特征：click、fav、cart 的系数比较大，后两个特征 label 和 item_count 的系数比较小，说明对于商品的下单量而言，前三个特征更加重要，关联性更强，后两者则对结果影响相对较小。
有时候凭我们的主观判断，对于特征的重要性判断可能是不准的
在这里都一并带上，然后在模型训练的环节，通过拟合算法自动去找到不同特征的重要性。
可以测试一下线性模型，我们做一次示例：
# 示例：假设某个商品在预热期间，一共有50次点击，2 次加购物车，4 次收藏，这个商品所在的店铺有 10 个vip 用户，一共有 20 个商品。那根据我们的模型来预测这个商品的下单数：
print(linear_model.predict([[50, 2 ,4, 10, 20]]))
输出结果：15.5次
总结以下第二个项目的思路与方法：
通过 df.groupby(“xxx”).sum() 的形式来聚合数据表；
通过 df.merge函数来拼接数据表，前提是两个数据表有相同的字段；
通过 train_test_split 来将数据集拆分为训练集和测试集；
通过LinearRegression 来建立线性回归模型。