淘宝用户日志数据集的用户行为分析与用户分群

最新推荐文章于 2025-05-01 10:12:27 发布

马里奥w

最新推荐文章于 2025-05-01 10:12:27 发布

阅读量2k

点赞数 2

文章标签：数据分析 python

本文链接：https://blog.youkuaiyun.com/weixin_45949840/article/details/124964672

版权

本文分析了淘宝2015年双11前6个月的用户日志数据，进行了数据清洗、访问量与访客量分析、用户行为分析以及通过RFM模型进行用户分群。结果显示，11月访问量与访客量达到峰值，用户主要在28/29号活动较多。RFM模型将用户分为3类：普通用户、重要发展客户和高价值客户，建议针对不同群体采取不同营销策略。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

数据集描述

数据集是淘宝2015年双11前6个月（2015/5/11-2015/11/11）的用户日志数据
在这里插入图片描述

一、数据清洗

1.读取并查看数据基本信息和数据的完整性

import numpy as np
import pandas as pd
data=pd.read_csv('./data_format/user_log_mini.csv')
data.info()
data.shape
data.head()

在这里插入图片描述

2.查看数据集中行的重复情况并删除

重复的数据行对数据分析没有任何作用，把它给删除掉

data.duplicated()
data1=data.drop_duplicates()

3.处理缺失值

检查数据中是否有缺失值

print(data1.isnull().any())

查看缺失值记录

print(data1.isnull().sum())

缺失值填充

data2=data1.fillna('-1')

在这里插入图片描述
查看数据缺失值情况发现品牌编号(brand_id)属性列缺失了1278个值，为了充分利用数据集，使用-1来填充品牌编号特征的缺失值，表示未知品牌。

4.合并month和day列组成时间类型的date列

因为接下来的可视乎分析需要用到时间，构建一个时间列方便后面分析

import datetime
from datetime import timedelta
#合并month和day列组成date列
data2["date"<

最低0.47元/天解锁文章