數據來源https://tianchi.aliyun.com/dataset/dataDetail?dataId=46

用戶行為表：用戶ID，商品ID，用戶行為。用戶地點，商品大類ID，時間

需求：該數據為淘寶2014年用戶消費行為表，計算各網頁的轉換率，每日用戶活躍時間，尋找提高銷量的辦法。

成果：

從該圖中，用戶瀏覽到收藏或加購物車的轉換率相對較低，只有5%左右，從瀏覽到購買的轉化率只有1%左右，可以優化商品的推薦商品的推薦機制，優化用戶搜索效率，提高用戶購買的比例。

需求：求頁面的pv,uv,pv/uv,復購率

在雙十二那天訪問量迅速增加，需要抓住機會

日常情況下，每日平均訪問次數在6-7次之間，雙十二高達9次

需求：找到每天用戶哪個時間段活躍

瀏覽用戶在一天中的行為，用戶在0-6點是睡覺時間，6點過后用戶量逐漸增多，10點到達頂峰，推測是用戶起床時間。這時的瀏覽量處于一天中較小的時候。

晚上6點過后，用戶量迅速上升，成交量也在增加，在晚上10點瀏覽慢慢下降，推測為用戶休息時間。如果要安排促銷活動，最好在晚上6-10點這個時間段內，效果最好。

分析過程：

１、導入數據

import pandas as pd import numpy as np import matplotlib.pyplot as plt %matplotlib inline plt.style.use('ggplot') df=pd.read_csv('tianchi_mobile_recommend_train_user.csv')

２、查看屬性

需要把item_category刪去，time分割。

3、去重，去缺失值

#把time除空 df=df[~df['time'].isnull()] #把time分割 df['date']=df.time.apply(lambda x:x.split(' ')[0]) df['time']=df.time.apply(lambda x:x.split(' ')[1]) #把user_geohash去除 df=df.drop(['user_geohash'],axis=1) #去重 df=df.drop_duplicates()

4、數據一致化處理

#behavior 列上有1-4，把其對應為瀏覽，收藏，加購物車，購買 def df_beh(x):s={1:'pv',2:'favor',3:'cart',4:'buy'}return s[x] df['behavior_type']=df.behavior_type.apply(df_beh)

5、轉化率分析

#漏斗模型分析 df_count=df.behavior_type.value_counts() print("瀏覽-收藏+加購物車的轉化率：",(df_count.cart+df_count.favor)/df_count.pv) print('收藏+加購物車-購買的轉化率：',df_count.buy/(df_count.cart+df_count.favor)) print('瀏覽-購買轉化率：',df_count.buy/df_count.pv)

6、生成漏斗模型

#生成漏斗 #數據整理為漏斗格式 s=[('pv',df_count.pv),('favor',df_count.favor),('cart',df_count.cart),('buy',df_count.buy)] #轉化成百分比形式 max_count=s[0][1] s1=[(x,round(y*100/max_count,2))for x,y in s] #導入模塊 import pyecharts.options as opts from pyecharts.charts import Funnel #建立空漏斗，把數據加到空漏斗里 funnel=Funnel() funnel.add('用戶比例',s1) #顯示 funnel.render_notebook()

7、有過購買行為的用戶占比

#有過購買行為的用戶量占比 #把購買行為的用戶提取，去重 df_buy=df[df['behavior_type']=='buy'].drop_duplicates('user_id').count() #把全體用戶去重，計數 df_user=df.drop_duplicates('user_id').count() #除 print('有過購買行為的用戶占比:',df_buy[0]/df_user[0])

8、復購率

#用戶的復購率 #提取購買次數超過1的用戶 rebuy_user=df[df['behavior_type']=='buy'].groupby(['user_id']).count() (rebuy_user[rebuy_user['behavior_type']>=2].count()/df_buy[0])[0]

9、不同時間段用戶行為分析

#日均訪問量 df_pv=df[df['behavior_type']=='pv'].groupby('date').count().iloc[:,:1].rename(columns={'user_id':'pv_count'}) #uv df_uv_a=df[df['behavior_type']=='pv'].groupby(['date','user_id']).count().reset_index() df_uv=df_uv_a.groupby('date').count().iloc[:,:1].rename(columns={'user_id':'uv_count'}) #pv/uv mean_df=pd.concat([df_pv,df_uv],axis=1) mean_df['pv/uv']=mean_df['pv_count']/mean_df['uv_count']

10、畫圖

#畫圖xticks和rot分別顯示橫坐標值和調整橫坐標顯示長度。title顯示標題 df_pv.plot(kind='line',xticks=range(0,31),rot=90,title='pv') df_uv.plot(kind='line',xticks=range(0,31),rot=90,title='uv') mean_df['pv/uv'].plot(kind='line',xticks=range(0,31),rot=90,title='uv')

11、用戶活躍

#用戶活躍時間段分析 dpv=df[df['behavior_type']=='pv'].groupby('time').count().iloc[:,:1].rename(columns={'user_id':'pv'}) dfavor=df[df['behavior_type']=='favor'].groupby('time').count().iloc[:,:1].rename(columns={'user_id':'favor'}) dcart=df[df['behavior_type']=='cart'].groupby('time').count().iloc[:,:1].rename(columns={'user_id':'cart'}) dbuy=df[df['behavior_type']=='buy'].groupby('time').count().iloc[:,:1].rename(columns={'user_id':'buy'}) #連接表（pv值太大，單獨做圖） daily_df=pd.concat([dfavor,dcart,dbuy],axis=1) #作圖 daily_df.plot(xticks=range(25),rot=90) dpv.plot(xticks=range(25),rot=90)

參考：淘寶用戶行為數據-探索性分析-天池實驗室-阿里云天池

總結

以上是生活随笔為你收集整理的哪个是更早的时间 date_淘宝用户行为分析（漏斗模型+pv,uv,pv/uv,复购率,用户活跃时间段）...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。