项目三、电商用户画像分析（上）.pdfVIP

项目三、电商用户画像分析（上）

一、前言：

电商用户画像分析：用户画像是通过分析用户的基础信息、特征

偏好、社会属性等各维度的数据，刻画出用户的信息全貌，它是建立

在一系列属性数据之上的目标用户模型。用户画像的本质是一个用以

描述用户需求的工具。用户画像一般是产品设计、运营人员从用户群

体中抽象出来的典型用户，从中可以挖掘用户价值，提供个性化推荐、

精准营销等服务。

电商用户画像分析的作用：

二、理解数据与分析思路

1.导入使用的包：

#加上后可以直接在界面画图.%matplotlibinline#导入包

importpandasaspdimportnumpyasnpimportmatplotlib

importmatplotlib.pyplotasplt#减少绘图产生的问题

matplotlib.rcParams[font.sans-serif]=[SimHei]#指定字体

matplotlib.rcParams[font.family]=sans-serif

matplotlib.rcParams[axes.unicode_minus]=False#解决负号-显

示为方块的问题#导入数据库包，从数据库里读取数据与存储数据

importpymysqlpymysql.install_as_MySQLdb()fromsqlalchemy

importcreate_engineimportgc#gc模块可以回收内存import

warningswarnings.filterwarnings(ignore)#减少报错from

datetimeimportdatetime

2.导入数据：

#导入数据集

df=pd.read_excel(order_data.xlsx)

df_user=pd.read_excel(user_data.xlsx)

3.理解数据：

df.head()

order_data共有五个字段，分别为，其中behavior_type中1为

浏览，2为收藏，3为加购，4为购买

df_user.head()

4.分析维度：

三、数据预处理：

1.缺失值处理：

2.时间格式转换：

3.制作用户标签表：

四、分析过程：

1、用户活跃的时间

1.1用浏览活跃时间段

time_brows=

df[df[behavior_type]==1].groupby([user_id,hour]).agg({item_

id:count}).reset_index()

time_brows.rename(columns={item_id:hour_counts},inplace=T

rue)#求出每个用户最活跃的时间段time_brows_max=

time_brows.groupby(user_id).hour_counts.max().reset_index()

time_brows_max.rename(columns=

{hour_counts:hour_counts_max},inplace=True)time_brows=

pd.merge(time_brows,time_brows_max,how=left,on=user_id)

#选取各用户浏览次数最多的时段，如有并列最多的时段，用逗号连接

time_brows_hour=

time_brows.loc