数据集是淘宝一个月的用户行为数据，数据包括user_id，item_id，behavior_type，user_geohash，item_category，time六个字段，共有100多万条记录，考虑数据集太大，为了提高运行效率，只随机抽取20%的数据；另外，由于数据集的局限，此项目的画像标签只是庞大用户画像的一部分，基于已有的数据集进行制作。

<class ‘pandas.core.frame.Dataframe’>
Int64Index: 4658205 entries, 13077081 to 21758719
Data columns (total 6 columns):
user_id int64
item_id int64
behavior_type int64
user_geohash object
item_category int64
time object
dtypes: int64(4), object(2)
memory usage: 248.8+ MB

(4658205, 6)

user_id 0
item_id 0
behavior_type 0
user_geohash 3183516
item_category 0
time 0
dtype: int64

• 只有user_geohash有缺失值，且缺失的比例很高，无统计分析的意义，将此列删除

168

3.3.1 浏览最多的类目

3.3.2 收藏最多的类目

3.3.3 加购最多的类目

3.3.4 购买最多的类目

• 数据集中的数据正好是一个月，30天的数据即整个数据集的数据

3.4.1 近30天购买次数

3.4.2 近30天加购次数

3.4.3 近30天活跃天数

user_id
492 11
3726 15
19137 6
36465 7
37101 19
Name: date, dtype: int64

238

3.5.1 近7天购买次数

3.5.2 近7天加购次数

3.5.3 近7天活跃天数

user_id
492 4
3726 5
19137 1
36465 2
37101 5
Name: date, dtype: int64

3.6.1 上次浏览距今天数

user_id
492 1
3726 1
19137 7
36465 3
37101 3
Name: date, dtype: int64

3.6.2 上次加购距今天数

user_id
3726 1
37101 8
45561 1
59436 4
61797 18
Name: date, dtype: int64

3.6.3上次购买距今天数

user_id
38745 23
45561 6
53394 22
59436 7
100605 7
Name: date, dtype: int64

42

70

Text(0.5, 0, ‘访问次数’)

**分析：**14次左右是个拐点，因此定义购买次数小于等于14次为低活跃，大于14次为高活跃，此定义只是从用户的分布角度出发，工作中当从业务出发定义是否活跃。

Text(0.5, 0, ‘距今天数’)

注：访问异常的那天为双12

重要深耕客户 7167
重要价值客户 7142
即将流失客户 5631
重要唤回客户 16
Name: rfm, dtype: int64

接下来是对用户画像的详细分析，包括用户个性化标签、用户偏好标签、群体偏好标签，涉及到TF-IDF算法、余弦相似度算法

• 首先，对数据进行预处理

101

浏览行为，权重0.3
收藏行为，权重0.5
加购行为，权重1
购买行为，权重1.5

77

7

需要先对用户人群进行分类，为了降低复杂性并实现群体用户画像标签的设计，暂时先随机对用户进行指定性别，以后有时间将对上部划分出来的用户群体进行画像标签设计

36