实战案例,手把手教你构建电商用户画像附代码.pdfVIP

先来看该电商用户画像用到的标签。

数据内容包括user_id（用户身份）、item_id（商品）、IDbehavior_type（用

户行为类型，包含点击、收藏、加购物车、支付四种行为，分别用数字1、

2、3、4表示）、user_geohash（地理位置）、item_category（品类ID，即商

品所属的品类）、Time（用户行为发生的时间），其中user_id和item_id因

为涉及隐私，做了脱敏处理，显示的是数字编号。

下面是具体的代码实现过程。

01导入库

本示例除了用到numpy、pandas、matplotlib，还用到其他一些模块。

1#导入所需的库

2

3%matplotlibinline

4

5importnumpyasnp

6

7importpandasaspd

8

9frommatplotlibimportpyplotasplt

10

11fromdatetimeimportdatetime

参数说明如下。

▪

%matplotlibinline：一个魔法函数，由于%matplotlibinline的存在，当输入

plt.plot()后，不必再输入plt.show()，图像将自动显示出来。

▪datetime：用来显示时间的模块。

02数据准备

1#导入数据集

2

3df_orginal=pd.read_csv(./taobao_persona.csv)

4

5#抽取部分数据

6

7df=df_orginal.sample(frac=0.2,random_state=None)

此处使用Pandas的read_csv方法读取数据文件，由于数据集太大，为了提高

运行效率，使用sample函数随机抽取20%的数据。

DataFrame.sample()是Pandas中的函数，DataFrame是一种数据格式，代指

df_orginal。frac(fraction)是抽取多少数据，random_state是随机数种子，目

的是保证每次随机抽取的数据一样，防止执行命令时使用不一样的数据。

03数据预处理

1#查看其中是否有缺失值，统计各字段缺失值

2

3df.isnull().any().sum()

4

5#发现只有user_geohash有缺失值，且缺失的比例很高，无统计分析的意义，

将此列删除

6

7df.drop(user_geohash,axis=1,inplace=True)

8

9#将time字段拆分为日期和时段

10

11df[date]=df[time].str[0:10]

12

13df[time]=df[time].str[11:]

14

15df[time]=df[time].astype(int)

16

17#date用str方法取0-9位的字符，time取11位到最后一位，将time转化成

int类型。

18

19#将时段分为凌晨,上午,中午,下午,晚上

20

21df[hour]=pd.cut(df[time],bins=[-1,5,10,13,18,24],labels=[

凌晨,上午,

22

23中午,下午,晚上])

结果如图1所示。

图1数据预处理结果

1#生成用户标签表，制作好的标签都加入这个表中

2

3users=df[user_id].unique()

4

5label