lvhuike的博客

案例背景用户价值细分是了解用户价值度的重要途径，销售型公司对于订单交易尤为关注，因此基于订单交易的价值度模型将更适合运营需求。针对交易数据分析的常用模型是RFM模型，该模型不仅简单、容易理解，且业务落地能力非常强。一、导入库import pandas as pdimport numpy as npfrom sklearn.ensemble import RandomForestClassifier二、读取数据本项目选择4年的订单数据，可以从不同年份对比不同时间下各个分组的变化情况，方便了解会

本次数据挖掘项目是电影推荐问题，目的是找出对象同时出现的情况，也就是寻找用户同时喜欢几部电影的情况。使用最基础的Apriori算法。import osimport pandas as pdimport numpy as npimport sysfrom operator import itemgetterfrom collections import defaultdict一、加载数据并观察# 文件的后缀就是.data，后面不要再加.csv了，否则会报错all_ratings = pd

随着通信技术的飞速发展，通信用户数量的急剧增加，通信市场趋于饱和，运营商之间的竞争愈演愈烈，使得运营商更加关注用户资源流失的问题。通过使用用户产生的数据预测潜在的流失用户，并对这些潜在的流失用户进行挽留，可以保持市场占比和利润。所以用户流失预测问题的研究对于电信行业而言有着重要的意义。本文从特征和流失的关联性和逻辑回归模型两个方面来对电信用户流失预测问题进行分析研究，主要解决两个问题，一是什么样的用户容易流失，二是用户会不会流失。针对以上两个问题分别给出高流失率的用户画像和用户流失模型。

一、博客背景进行数据分析时使用一些方法可以指导数据分析师更明确清晰的解决问题。我们在分析一个问题时通常会使用我们自己积累的经验，这些帮助我们解决问题的经验也许在学术上会有一个术语，如果我们跟别人说这个问题我是用某某方法解决的是不是更显得专业呢？二、博客目的一起来看看数据分析都有哪些方法，其中哪些是我们一直在用却不知道专业术语的，哪些是我们接下来可以用到工作的。三、数据分析方法列举1、杜邦分析法从名称来看好像不知道这个方法是干什么的？来看它的概述：杜邦分析法的核心思路是把问题一层层分解，直到反映

淘宝用户行为分析-1-数据处理（python）最终生成的tableau可视化报告如下：

项目数据来源：https://tianchi.aliyun.com/dataset/dataDetail?dataId=649&userId=1项目目的：尝试分析用户行为数据，了解这方面的指标，了解从行为数据中能得到什么规律和信息。这篇博客主要记录我是怎么处理数据和做特征工程的。1、读取数据，初步查看数据信息#数据处理包import pandas as pdimport numpy as npdf = pd.read_csv("UserBehavior.csv", sep=",", n

参考