2024年最新Python大数据-对淘宝用户的行为数据分析，阿里P8手把手教你_淘宝用户购物行为数据分析

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

•  ​

其中’Unnamed: 0’,‘user_geohash’（有缺失）两列数据我们在分析时不涉及，对这两列数据进行删除。

import pandas as pd

final_data.drop([‘Unnamed: 0’,‘user_geohash’],axis=1,inplace=True)

final_data.head()

 ​

成功进行删除，检查数据类型

data.dtypes

2、一致化处理：

• 可以发现目前time是object型的，因为分析涉及到时间、天、小时，所以，要把数据集里的时间戳列，即time_stamp列转化为日期。。

data[‘date’] = data[‘time’].map(lambda x:x.split(’ ')[0])

data[‘hour’] = data[‘time’].map(lambda x:x.split(’ ')[1])

data[‘date’]=pd.to_datetime(data[‘date’])

data[‘hour’] = data[‘hour’].astype(‘int32’)

data.head()

data.dtypes

• 

可以看到目前date和Hour的类型已经成功转换，符合我们的预期，查看表格中是否有空数据，并查看一下表格的量

• 3、查看是否有缺失值

data.isnull().sum()

data.shape

 ​ ​

可以看到数据中并没有空数据，数据的规模在1000万左右，分为6列，依次为用户id、商品id、用户行为类型、时间。其中用户行为类型中1代表点击（当做pv），2代表collect（收藏），3代表cart（加入购物车）数据较为完整，不需要继续进行清洗，对数据进行分析

五、数据分析

---

• 流量指标分析：流量指标是指用户在某一个网站操作的每一个步骤记录的指标，埋点数据，PV是指其浏览量，UV代表独立访客数，访问深度代表每个独立访客的浏览量，页面跳出率 则是指浏览某个页面离开的次数/这个页面的全部访问次数

1、不同时间下PV、UV的流量变化情况

---

1）每天的PV、UV变化情况

• 首先计算一下总流量

总PV值=数据条数

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import os

data.shape[0]

总流量为12256906，在计算一下日平均流量、日平均独立访客数

##日PV

pv_daily = data.groupby([‘date’])[‘user_id’].count().reset_index().rename(columns={‘user_id’:‘pv_daily’})

pv_daily.head()

• 日平均独立访客数与日平均流量的区别在于要进行去重

##日UV

uv_daily = data.groupby([‘date’])[‘user_id’].apply(lambda x:x.drop_duplicates().count()).reset_index().rename(columns={‘user_id’:‘uv_daily’})

uv_daily.head()

s=uv_daily[‘uv_daily’]

pv_daily[‘uv_daily’]=s

pv_daily

将两表合并

• 

plt.figure(figsize=(40,20),dpi=80)

font={

“family”:“kaiti”,

“size”:‘30’

}

plt.rc(“font”,**font)

plt.subplot(211)#在第一个位置日平均流量图

plt.plot(pv_daily[‘date’],pv_daily[‘pv_daily’],‘co-’)

plt.gca().xaxis.set_major_formatter(mdates.DateFormatter(‘%m/%d’))

plt.gca().xaxis.set_major_locator(mdates.DayLocator()) # 按月显示,按日显示的话，将MonthLocator()改成DayLocator()

plt.gcf().autofmt_xdate()

ax=plt.gca()

ax.spines[“top”].set_color(“w”)

ax.spines[“bottom”].set_color(“r”)

ax.spines[“left”].set_color(“r”)

ax.spines[“right”].set_color(“w”)

plt.gcf().autofmt_xdate()

#设置X轴标签

plt.xlabel(“时间”)

#设置y轴标签

plt.ylabel(“日平均流量统计图”)

plt.title(‘日平均流量’)

plt.figure(figsize=(40,20), dpi=80)

plt.subplot(212)#第二个位置绘制日平均独立访客数

plt.plot(pv_daily[‘date’],pv_daily[‘uv_daily’],‘yo-’)

plt.gca().xaxis.set_major_formatter(mdates.DateFormatter(‘%m/%d’))

plt.gca().xaxis.set_major_locator(mdates.DayLocator())

ax=plt.gca()

ax.spines[“top”].set_color(“w”)

ax.spines[“bottom”].set_color(“r”)

ax.spines[“left”].set_color(“r”)

ax.spines[“right”].set_color(“w”)

plt.title(‘日独立访问客流量’)

plt.gcf().autofmt_xdate()

#设置X轴标签

plt.xlabel(“时间”)

#设置y轴标签

plt.ylabel(“日独立访客量统计图”)

plt.show()

绘制子图，将日平均流量和独立访问客数放在一起进行对比分析：

• 

• 可以发现在双十二当天是流量和独立访客数的高峰，在平常波动不大

每天时刻数据

每天的时刻数据

pv_daily_hour = data.groupby([‘hour’])[‘user_id’].count().reset_index().rename(columns={‘user_id’:‘pv’})

uv_daily_hour = data.groupby([‘hour’])[‘user_id’].apply(lambda x:x.drop_duplicates().count()).reset_index().rename(columns={‘user_id’:‘uv’})

pv_daily_hour.head()

uv_daily_hour.head()

plt.figure(figsize=(15,18),dpi=80)

plt.subplot(211)

plt.plot(pv_daily_hour[‘hour’],pv_daily_hour[‘pv’],‘bo-’)

plt.title(“每小时PV”)

plt.savefig(“每小时PV.png”)

plt.xticks(np.arange(0, 24, step=1))

plt.xlim(data.index.values[0])

plt.figure(figsize=(15,18),dpi=80)

plt.subplot(212)

plt.plot(uv_daily_hour[‘hour’],uv_daily_hour[‘uv’],‘yo-’)

plt.title(“每小时UV”)

plt.savefig(“每小时UV.png”)

plt.xticks(np.arange(0, 24, step=1))

plt.xlim(data.index.values[0])

plt.show()

• 从早上5：00-10:00,18:00-21:00这两个时间段pv有较明显上升；uv从早上6:00-10:00有较明显增加，而后到21点uv保持稳定数量，然后开始下降；pv、uv变化符合大众工作作息时间，侧面证明数据是真是有效的。

2、不同购物行为在不同时间维度下的变化情况

---

plt.figure(figsize=(10, 4))

sns.lineplot(data=d_pv_h, lw=3)

plt.show()

plt.figure(figsize=(10, 4))

sns.lineplot(data=d_pv_h.iloc[:, 1:], lw=3)

plt.show()

虽然大体上各波动趋势相同，但是加购物车数远高于收藏数。

每个UV的平均访问深度=总流量/独立访客数

round(data[‘user_id’].shape[0]/data[‘user_id’].nunique(),2)

##=1225.69

每个UV的日平均访问深度

round(data[‘user_id’].shape[0]/data[‘user_id’].nunique()/data[‘date’].nunique(),2)

##=39.54

分析期间，每个UV的平均PV量是1225.69，每个UV的平均访问深度是39.54

3 、用户转化行为漏斗模型分析

---

计算每一个行为环节用户的访问量

view = data.groupby([‘behavior_type’])[‘user_id’].count().reset_index().rename(columns={‘user_id’:‘pv’})

view.head

其中：

#计算各个环节的流失率

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

“text-align:center;width:211px;”>4支付

#计算各个环节的流失率

[外链图片转存中…(img-0WRFDW6H-1714911061917)]
[外链图片转存中…(img-GVkOp1Xg-1714911061917)]
[外链图片转存中…(img-xHVZU1Km-1714911061918)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取