当前位置:   article > 正文

基于SPARK的淘宝用户购物行为可视化分析_基于spark的淘宝数据分析

基于spark的淘宝数据分析

基于SPARK的淘宝用户购物行为可视化分析

这篇文章旨在练习大数据Spark操作,做一些简单的分析。后续阶段将基于三台虚拟机情况下进行调优,以期实现性能最优化

数据来源

数据集:淘宝用户购物行为数据集_数据集-阿里云天池 (aliyun.com)

下载到:/opt/module/taobao/UserBehavior.csv

商品类目纬度数据来源:bigdata_analyse/category.sql at main · TurboWay/bigdata_analyse (github.com)

下载到:/opt/module/taobao/category.sql

字段属性备注
user_id用户ID整数类型,序列化后的用户ID
sku_id商品ID整数类型,序列化后的商品ID
category_id商品类目ID整数类型,序列化后的商品所属类目ID
behavior行为类型字符串,枚举类型,包括(‘pv’, ‘buy’, ‘cart’, ‘fav’)
create_time行为发生的时间字符串,行为发生的时间
dt分区键string

服务器配置

单机配置:

  • CPU:i5-12600KF
  • 内存:32GB

创建3台虚拟机,配置如下:

hadoop1102hadoop1103hadoop1104
CPU
内存8GB4GB3GB
磁盘50GB50GB50GB
HDFSDataNode、NameNodeDataNodeDataNode、SecondaryNameNode
YARNNodeManagerNodeManager、ResourceManagerNodeManager

此外,还配置了zk、spark-hive等。软件版本设置如下…

  • zookpeeper:3.5.7
  • sqoop:1.4.6
  • jdk:1.8
  • scala:2.12
  • hadoop:3.1.3
  • spark:3.0.0
  • hive:3.1.2
  • tableau进行可视化,spark-sql驱动器下载链接ODBC Drivers Download – Databricks。把在tableau添加sparksql的驱动器即可连接sparksql分析

配置具体可参考尚硅谷大数据课程。

数据预处理

导入商品类目维度数据

执行category.sql文件,将商品类名维度数据导入mysql数据库中。

在/opt/module/taobao目录下创建mysql_to_hdfs.sh,执行mysql_to_hdfs.sh,将mysql数据导入到hdfs。

#!/bin/bash

APP=taobao
sqoop=/opt/module/sqoop-1.4.6/bin/sqoop

import_data(){
$sqoop import \
--connect jdbc:mysql://hadoop1102:3306/$APP \
--username root \
--password XXXX \
--target-dir /origin_data/$APP/db/category \
--delete-target-dir \
--query "$1 and \$CONDITIONS" \
--num-mappers 1 \
--fields-terminated-by '\t' \
--null-string '\\N' \
--null-non-string '\\N'
}
import_data "select * from category where 1=1"
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19

在shell命令行创建数据库taobao

hive
  • 1
hive(default)>create taobao
hive(default)>use taobao
hive(taobao)>create external table ods_category (
            `sub_category_id` bigint comment 'id',
            `parent_category_name` string comment '类目名称'
        ) comment '商品维度表'
        row format delimited fields terminated by '\t'
        LOCATION '/warehouse/taobao/ods/ods_category/';
hive(taobao)>load data inpath '/origin_data/taobao/db/category' into table taobao.ods_category;
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9

在IDEA的Database插件上敲SPARK-SQL(可选)

进入/opt/module/spark-yarn/,执行以下命令,以打开sparksql服务器

sbin/start-thriftserver.sh
  • 1

然后可以在IDEA上面的Database插件上敲SQL,具体配置如下

请添加图片描述

导入用户购买行为数据

drop table if exists taobao.ods_user_behavior;
create external table ods_user_behavior (
    `user_id` bigint,
    `sku_id` bigint,
    `category_id` bigint,
    `behavior` string,
    `timestamp` bigint
)
ROW FORMAT DELIMITED
    FIELDS TERMINATED BY ','
    LINES TERMINATED BY '\n'
LOCATION '/warehouse/taobao/ods/ods_user_behavior/';

load data local inpath '/opt/module/taobao/UserBehavior.csv' into table taobao.ods_user_behavior;
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14

商品类目维度join用户购买行为

字段属性备注
user_id用户ID整数类型,序列化后的用户ID
sku_id商品ID整数类型,序列化后的商品ID
category_id商品类目ID整数类型,序列化后的商品所属类目ID
behavior行为类型字符串,枚举类型,包括(‘pv’, ‘buy’, ‘cart’, ‘fav’)
create_time行为发生的时间字符串,行为发生的时间
dt分区键string
drop table if exists taobao.dwd_user_behavior;
create external table dwd_user_behavior (
`user_id` bigint,
 `sku_id` bigint,
 `category_id` bigint,
 `catgegory_name` string,
 `behavior` string,
 `create_time` string
)
partitioned by (`dt` string)
row format delimited fields terminated by '\t'
LOCATION '/warehouse/taobao/dwd/dwd_user_behavior/';

insert overwrite table dwd_user_behavior
select user_id,
       sku_id,
       category_id,
       parent_category_name category_name,
       behavior,
       from_unixtime(timestamp, 'yyyy-MM-dd HH:mm:ss')  as create_time,
       from_unixtime(timestamp, 'yyyy-MM-dd') as dt
from ods_user_behavior oub
 join ods_category oc on oub.category_id = oc.sub_category_id
where from_unixtime(`timestamp`, 'yyyy-MM-dd') >= '2017-11-25' and  from_unixtime(`timestamp`, 'yyyy-MM-dd') <= '2017-12-03';
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24

这里使用了dt当作分区键,即按日期进行分区,有以下奇效:

  1. 提高查询效率:通过将表数据划分为独立的分区,Hive可以仅处理与查询相关的分区,从而加速查询速度。
  2. 降低数据倾斜:对于包含大量数据的表,如果没有分区,则可能会导致数据倾斜,即某些分区的数据量过大,而其他分区的数据量过小。使用分区可以将表数据划分为更小的块,从而减少数据倾斜的可能性。
  3. 简化数据管理:分区可以将表数据划分为更易管理和维护的逻辑单元,例如按年份或按地理位置分区,从而方便管理和维护。
  4. 支持分布式数据处理:Hive支持MapReduce等分布式计算框架,使用分区可以方便地将数据划分为多个任务并行处理。

至此,一个1000w的购买记录已经被存储到了hive中,接下来就要愉快的分析了啦!!!

数据分析

关于时间

以下数据分析均基于Spark

时间序列统计

drop table if exists ads_date_hour_behavior;
create table ads_date_hour_behavior(
    date string,
    hour string,
    pv bigint,
    cart bigint,
    fav bigint,
    buy bigint
)
row format delimited fields terminated by '\t'
LOCATION '/warehouse/taobao/ads/ads_date_hour_behavior/';

insert into ads_date_hour_behavior
select date_format(create_time, 'yyyy-MM-dd'), hour(create_time),
       sum(`if`(behavior='pv', 1, 0)) pv,
       sum(`if`(behavior='cart', 1, 0)) cart,
       sum(`if`(behavior='fav', 1, 0)) fav,
       sum(`if`(behavior='buy', 1, 0)) buy
from dwd_user_behavior
group by date_format(create_time, 'yyyy-MM-dd'), hour(create_time)
order by date_format(create_time, 'yyyy-MM-dd'), hour(create_time);
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21

在这里插入图片描述
请添加图片描述
可以看到4种行为在不同时间的分布类似,在凌晨时间使用量特别少

获客情况

drop table if exists ads_pv_uv_puv;
create table ads_pv_uv_puv(
    dates string,
    pv bigint,
    uv bigint,
    puv decimal(16,2)
)
row format delimited fields terminated by '\t'
    LOCATION '/warehouse/taobao/ads/ads_pv_uv_puv/';

insert overwrite table ads_pv_uv_puv
select date_format(create_time, 'yyyy-MM-dd') dates,
       count(behavior) pv,
       count(distinct user_id) uv,
       cast(count(behavior)/count(distinct user_id) as decimal(16, 2)) as puv
from dwd_user_behavior
where behavior = 'pv'
group by dates;
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18

在这里插入图片描述
在这里插入图片描述

关于类目商品

类目商品销售排行版

drop table if exists ads_category_sell_rank;
create table ads_category_sell_rank (
catgegory_name string,
sku_id bigint,
sell_num bigint,
rank bigint
)
row format delimited fields terminated by '\t'
location '/warehouse/taobao/ads/ads_category_sell_rank';
-- 商品类目销售排行版
insert overwrite table ads_category_sell_rank
select catgegory_name, sku_id, sell_num, rank
from(
    select distinct catgegory_name, sku_id, cnt sell_num, dense_rank() over (partition by catgegory_name order by cnt desc) rank
    from
        (
            select sku_id, catgegory_name, count(sku_id) over (partition by sku_id) cnt
            from dwd_user_behavior
            where behavior='buy'
        ) t1
) t2
where rank <= 10;
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6w7iybgt-1681879987825)(C:\Users\xuhaoran\Desktop\淘宝用户行为分析.assets\image-20230418205725580.png)]
可以看到sku_id为1115492的商品在衣物品类的销售最棒,荣登销冠哈

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-W2l07ncQ-1681879987825)(C:\Users\xuhaoran\Desktop\淘宝用户行为分析.assets\image-20230418205957511.png)]
电子类的商品这几天卖得最火了,不知道是卖什么呢?该不会是小米6吧(米粉狂喜)

关于用户

跳失用户(点一下就跑的用户)

select count(*)
from
    (
        select user_id from dwd_user_behavior
        group by user_id
        having count(behavior)=1
    ) a;
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

也有105位用户的

用户行为汇总

drop table if exists dws_user_behavior;
create table dws_user_behavior (
    user_id bigint,
    all_count bigint,
    pv_count bigint,
    fav_count bigint,
    cart_count bigint,
    buy_count bigint
)
row format delimited fields terminated by '\t'
location '/warehouse/taobao/dws/dws_user_behavior';
-- 用户行为汇总
insert overwrite table dws_user_behavior
select user_id, count(behavior) all_count,
       sum(`if`(behavior='pv', 1, 0)) pv_count,
       sum(`if`(behavior='fav', 1, 0)) fav_count,
       sum(`if`(behavior='cart', 1, 0)) cart_count,
       sum(`if`(behavior='buy', 1, 0)) buy_count
from dwd_user_behavior
group by user_id
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20

产生两次或两次以上购买的用户占购买用户的比例

select concat(round(buy_two/buy_one*100, 2), '%') as `复购率`
from
(select sum(case when buy_count > 1 then 1 else 0 end) buy_two,
       sum(case when buy_count > 0 then 1 else 0 end) buy_one
from dws_user_behavior) t1
  • 1
  • 2
  • 3
  • 4
  • 5

得到结果65.9%

RFM模型

参考链接

计算R-Recency

由于数据集包含的时间是从2017-11-25至2017-12-03,这里选取2017-12-04作为计算日期,统计客户最近发生购买行为的日期距离2017-12-04间隔几天,再对间隔时间进行排名,间隔天数越少,客户价值越大,排名越靠前。

计算F-Frequency

先统计每位用户的购买频率,再对购买频率进行排名,频率越大,客户价值越大,排名越靠前。

select user_id, recent, dense_rank() over (order by recent asc) as recent_rank,  frequency, dense_rank() over (order by frequency desc) as frequency_rank
from (
 select user_id, datediff('2017-12-04', max(create_time)) as recent, count(behavior) frequency
 from dwd_user_behavior
 where behavior='buy'
 group by user_id
) t1
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
对用户进行评分

对有购买行为的用户按照排名进行分组,共划分为四组,对排在前四分之一的用户打4分,排在四分之一到四分之二的用户打3分,排在前四分之二到四分之三的用户打2分,剩余的用户打1分,按照这个规则分别对用户时间间隔排名打分和购买频率排名打分,最后把两个分数合并在一起作为该名用户的最终评分。

-- 计算购买商品的用户个数
select count(distinct user_id) as user_buy_num
from dwd_user_behavior
where behavior = 'buy';
  • 1
  • 2
  • 3
  • 4

求得为671043

drop table if exists rfm_score ;
create table rfm_score(
    user_id bigint,
    score int
)
row format delimited fields terminated by '\t'
location '/warehouse/taobao/ads/ads_rfm_score';
insert overwrite table rfm_score
select  user_id,
        case when recent_rank < 671043 * 1 / 4 then 4
             when recent_rank < 671043 * 2 / 4 then 3
             when recent_rank < 671043 * 3 / 4 then 2
             else 1 end +
        case when frequency_rank < 671043 * 1 / 4 then 4
             when frequency_rank < 671043 * 2 / 4 then 3
             when frequency_rank < 671043 * 3 / 4 then 2
             else 1 end
            as score
from
    (
        select user_id, recent, dense_rank() over (order by recent asc) as recent_rank,  frequency, dense_rank() over (order by frequency desc) as frequency_rank
        from (
                 select user_id, datediff('2017-12-04', max(create_time)) as recent, count(behavior) frequency
                 from dwd_user_behavior
                 where behavior='buy'
                 group by user_id
             ) t1
    ) rfm;
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
统计不同分数的用户占比
drop table if exists ads_score_summary ;
create table ads_score_summary(
  score bigint,
    cnt bigint,
    buy_user_num bigint,
  rate string
)
row format delimited fields terminated by '\t'
location '/warehouse/taobao/ads/ads_score_summary';

with all_score as (
    select 0 score, 0 cnt, 0 buy_user_num, 0 rate
    union all
    select 1 score, 0 cnt, 0 buy_user_num, 0 rate
    union all
    select 2 score, 0 cnt, 0 buy_user_num, 0 rate
    union all
    select 3 score, 0 cnt, 0 buy_user_num, 0 rate
    union all
    select 4 score, 0 cnt, 0 buy_user_num, 0 rate
    union all
    select 5 score, 0 cnt, 0 buy_user_num, 0 rate
    union all
    select 6 score, 0 cnt, 0 buy_user_num, 0 rate
    union all
    select 7 score, 0 cnt, 0 buy_user_num, 0 rate
    union all
    select 8 score, 0 cnt, 0 buy_user_num, 0 rate
),
now_score as (
    select score, count(1) cnt, 671043 `buy_user_num`, concat(round(count(1) / 671043 * 100, 2), '%') rate
    from ads_rfm_score
    group by score
    order by score asc

)
insert overwrite table ads_score_summary
select nvl(now_score.score, all_score.score),
       nvl(now_score.cnt, 0),
       nvl(now_score.buy_user_num, 0),
       nvl(now_score.rate, 0)
from now_score
right join all_score on now_score.score = all_score.score
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43

在这里插入图片描述

商品复购率

同一个用户会对一个商品购买多次,这个就是统计商品被多个用户同时购买多次的复购率,说明哪个商品需要一直重复购买,如纸巾、食品等消耗品。

drop table if exists ads_sku_rebuy;
create table ads_sku_rebuy(
    sku_id bigint,
    `rebuy_rate` string
)
    row format delimited fields terminated by '\t'
    location '/warehouse/taobao/ads/ads_sku_rebuy';
with t1 as (
    select sku_id, user_id, count(*) as buy_count
    from dwd_user_behavior
    where behavior='buy'
    group by sku_id, user_id
),
t2 as (
    select sku_id, user_id, sum(`if`(buy_count > 0, 1, 0)) buy_one,
           sum(`if`(buy_count > 1, 1, 0)) buy_two
    from t1
    group by sku_id, user_id
)
insert overwrite table ads_sku_rebuy
select sku_id, concat(round(sum(buy_two)/sum(buy_one)*100, 2), '%') rebuy_rate
from t2
group by sku_id
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23

在这里插入图片描述
在这里插入图片描述
至此淘宝用户购买行为可视化分析就做完啦!接下来,我将继续展示SPARK调优,希望在虚拟机集群中实现性能最大化,敬请期待!

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/2023面试高手/article/detail/80239
推荐阅读
相关标签
  

闽ICP备14008679号