电商app用户行为分析（含全过程python代码）.pdfVIP

电商app⽤户⾏为分析（含全过程python代码） ⼀、分析背景 对于很多互联⽹公司来说，流量和⽤户价值都是核⼼问题。根据产品⽣命周期理论，在产品发布初期，更多的关注点应该放在拉新 上，只有⾜够的⽤户量级才能为公司提供发展的不竭动⼒，初期对流量和市场份额的竞争，很⼤程度上决定了后期的⾏业格局。所以回顾滴 滴和优步、美团和饿了么的烧钱⼤战，正是对“流量为王”这⼀理论的践⾏。但是流量进来之后呢？⼀个较为成熟的产品（如淘宝、滴滴、 美团等）应该思考的更多，产品经理⼈和数据分析师⼀定要好奇⽤户进来之后⼲了什么，产⽣了什么价值。基于此，才能对产品进⾏优化， 使其更加符合⽤户的⾏为习惯。所以，⽤户⾏为分析就⼗分必要。在这⾥以来⾃天池的淘宝⽤户⾏为数据为基础进⾏数据分析⼯作，。 ⼆、明确需求 进⾏数据分析的第⼀步就是明确需求，知道为什么要分析，或者说要解决什么问题/疑惑。在提出分析 ⽬标之前可以先了解⼀下数据， 脱离数据提需求是空中楼阁，脱离需求分析数据是⽆头苍蝇。 可以从数据介绍中看到，（1）数据有5个字段，分别是⽤户ID，商品ID，商品类⽬ID，⾏为类型，时间戳。（2）⾏为类型有4种，浏 览、购买、加购物车、收藏。（3）时间跨度是9天。根据数据的介绍我们可以提出以下分析 ⽬标： 1. 数据总体情况，pv，uv，付费⽤户数，复购率等 2. 变化趋势：流量随天、时间的变化趋势，以及在⼀周之内的变化趋势 3. ⽤户⾏为的转化漏⽃ 4. 基于⽤户、商品细分的转化率 需要注意的是这⾥只是根据已知的数据结构提出的⽬标和需求，能不能得出有价值、有启发意义的结论，还需要根据分析结果来确定。 三、数据处理 （⼀）遇到的坑 拿到数据之后，笔者⾼⾼兴兴的⽤Anaconda的Spyder打开导⼊数据，想先简单看看数据，再进⾏清洗和分析。数据导⼊倒是没有遇 到太⼤的问题 ： import pandas as pd import datetime start_time = datetime.datetime.now() user_data = pd.read_csv(rF:\数据分析项⽬\淘宝⽤户⾏为分析\UserBehavior.csv,header = None) end_time = datetime.datetime.now() print(f导⼊数据耗时：{end_time-start_time}s) 笔者明显能感觉到导⼊数据耗时过长，⼼⾥着实有点奇怪，特地查看了以下导⼊数据花费的时间，输出结果显⽰导⼊数据耗时： 0:01:20.114552s。花了1分20秒才读完数据，我当时就有点郁闷，区区百万级别的数据怎么会这么慢？⼿动挠头。但是我也没多想，继 续往下搞吧！ 浏览前⼏⾏ user_data.head(10) 先给数据加列名，⽅便后续处理： user_data.columns = [user_id,item_id,category_id,behavior,time_stamp] user_data.head(5) 基本的处理之后，可以考虑开始进⾏数据清洗了，其实本数据都是来源于淘宝后台的数据，并⾮由⼈为填写的，所以遇到数据还是⾮常 ⼲净的，谨慎起见，可以对空值检查⼀下，笔者习惯使⽤： user_data.info() 或许是由于数据量较⼤，所以都没有显⽰每个字段的⾮空记录有多少⾏。 （汗，笔者到现在都还以为只有百万⾏数据，眼⾓膜可以捐 了……） 由于没有得到⾮空数值分布情况，所以笔者只能选择下⾯的⽅法 ： user_data[user_id].notnull().value_counts() user_data[tiem_id].notnull().value_counts() user_data[category_id].notnull().value_counts() user_data[behavior].notnull().value_counts() user_data[time_stamp].notnull().value_counts() 从结果发现，没有空值，数据⾮常⼲净。由于要进⾏⽇期、时间的分析，所以⾃然要把时间戳格式转化为正常的⽇期时间格式。简单科 普⼀下，时间戳：格林威治时间⾃1970年1⽉1⽇（00:00:00 ）⾄当前时间的总秒数，也就是北京时间1970年1⽉1⽇（08:00:00）⾄ 当前时间的总秒数。可以⽤**time.localtime()**⽅法转化为