利用Python对电商用户购买行为进行预测!这都能预测到？

本文介绍了一个电商用户购买行为预测模型的构建过程，通过分析用户历史交易数据，利用LightGBM实现商品推荐，帮助商家提高销售效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

任务：依据电子商务平平台上真实的用户行为记录，利用机器学习相关技术，建立稳健的电商用户购买行为预测模型，预测用户下一个可能会购买的商品。

数据简介数据整理自一家中等化妆品在线商店公布的网上公开数据集，为该化妆品商店真实的用户交易信息，数据集中每一行表示一个事件，所有的事件都与商品和用户相关，并且用户的点击行为之间是有时间顺序的。数据集中包含了商品和用户的多个属性，例如商品编号、商品类别、用户编号、事件时间等。

PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取

python免费学习资料以及群交流解答点击即可加入

数据说明

主要思路

对用户id进行分组
统计类别、品牌、收藏、加购物车、下单等特征，赋予合理的权重
构建时间特征
使用lgb的多分类模型进行训练

主要代码：

注意：此版本代码lgb版本是2.0.3

import gc

import pandas as pd
from sklearn.preprocessing import LabelEncoder

paths = r'E:\项目文件\CCF\电商用户购买行为预测'
data = pd.read_csv(f'{paths}/train.csv')
submit_example = pd.read_csv(f'{paths}/submit_example.csv')
test = pd.read_csv(f'{paths}/test.csv')

data['user_id'] = data['user_id'].astype('int32')
data['product_id'] = data['product_id'].astype('int32')
data['category_id'] = data['category_id'].astype('int32')
lbe = LabelEncoder()
data['brand'].fillna('0', inplace=True)
data['brand'] = lbe.fit_transform(data['brand'])
data['brand'] = data['brand'].astype('int32')
# data['event_time'] = pd.to_datetime(data['event_time'], format='%Y-%m-%d %H:%M:%S')
data.fillna(0, inplace=True)
gc.collect()

train_X = data
test_data = test

# 构建特征
groups = train_X.groupby('user_id')
temp = groups.size().reset_index().rename(columns={0: 'u1'})
matrix = temp
temp = groups['product_id'].agg([('u2', 'nunique')]).reset_index()
matrix = matrix.merge(temp, on='user_id', how='left')
temp = groups['category_id'].agg([('u3', 'nunique')]).reset_index()
matrix = matrix.merge(temp, on='user_id', how='left')
temp = groups['brand'].agg([('u5', 'nunique')]).reset_index()
# TODO 根据用户购买行为去构建特征
# temp = groups['event_type'].value_counts().unstack().reset_index().rename(
#     columns={0: 'u7', 1: 'u8', 2: 'u9', 3: 'u10'})
matrix = matrix.merge(temp, on='user_id', how='left')

label_list = []
for name, group in groups:
    product_id = int(group.iloc[-1, 2])
    label_list.append([name, product_id])

train_data = matrix.merge(pd.DataFrame(label_list, columns=['user_id', 'label'], dtype=int), on='user_id', how='left')

# 构建特征
groups = test_data.groupby('user_id')
temp = groups.size().reset_index().rename(columns={0: 'u1'})
test_matrix = temp
temp = groups['product_id'].agg([('u2', 'nunique')]).reset_index()
matrix = test_matrix.merge(temp, on='user_id', how='left')
temp = groups['category_id'].agg([('u3', 'nunique')]).reset_index()
matrix = matrix.merge(temp, on='user_id', how='left')
temp = groups['brand'].agg([('u5', 'nunique')]).reset_index()
# TODO 根据用户购买行为去构建特征
# temp = groups['event_type'].value_counts().unstack().reset_index().rename(
#     columns={0: 'u7', 1: 'u8', 2: 'u9', 3: 'u10'})
test_data = matrix.merge(temp, on='user_id', how='left')

test_data = test_data.drop(['user_id'], axis=1)

train_X, train_y = train_data.drop(['label', 'user_id'], axis=1), train_data['label']
# train_X.to_csv('train_deal.csv', index=False)
# train_y.to_csv('train_y_deal.csv', index=False)
# test_data.to_csv('test_data.csv', index=False)

# 导入分析库
import lightgbm as lgb

model = lgb.LGBMClassifier(
    max_depth=5,
    n_estimators=10,
)

model.fit(
    train_X,
    train_y,
    eval_metric='auc',
    eval_set=[(train_X, train_y)],
    verbose=False,
    early_stopping_rounds=5
)

prob = model.predict(test_data)

import numpy as np

np.savetxt(paths + '\\prob1.csv', prob)
submit_example['product_id'] = pd.Series(prob[:, 0])
submit_example.to_csv(paths + r'\\lgb1.csv', index=False)

耍花招凑提交的方法，直接默认买最后一条记录，小心被封号

import pandas as pd

paths = r'E:\项目文件\CCF\电商用户购买行为预测'
submit_example = pd.read_csv(f'{paths}/submit_example.csv')
test = pd.read_csv(f'{paths}/test.csv')

# 构建特征
groups = test.groupby('user_id')
label_list = []
for name, group in groups:
    product_id = int(group.iloc[-1, 2])
    label_list.append([name, product_id])

submit_example = pd.DataFrame(label_list, columns=['user_id', 'product_id'])
submit_example.to_csv(paths + r'\\label_list.csv', index=False)

参考文献，思路都差不多，主要看你怎么构造特征了，加油吧少年

原文地址：电商用户购买行为预测-排名48-0.23_一个有趣的人-优快云博客