文章目录
-
1 背景与目标分析
-
2.数据探索分析
-
-
2.1 网页类型分析
-
-
2.1.1 统计各个网页类型所占的比例
-
2.1.2 网页107类型中的内部统计
-
2.1.3 统计带"?"问号网址类型统计
-
2.1.4 统计199类型中的具体类型占比
-
2.1.5 统计瞎逛用户中各个类型占比
-
-
2.2 点击次数分析
-
-
2.2.1 统计点击次数
-
2.2.2 点击次数与用户数量关系
-
2.2.3 统计1~7次数及7次以上的点击数
-
2.2.4 浏览一次的用户行为分析
-
-
2.3 网页排名
-
-
2.3.1 网页点击率排名表
-
2.3.2 获取网页点击排名数筛选出点击次数>50的有html结尾的网址
-
2.3.3 翻页网页统计,对浏览网页翻页的情况进行统计
-
-
《Python数据分析与挖掘实战》的实战部分的第12章的数据——《电子商务网站用户行为分析及服务推荐》。
用一种方法解决问题,然后再结合别人的分析思路,优化自己的解决方案。(sql数据可能导入不全)
旨在补充原文中的细节代码,并给出文中涉及到的内容的完整代码。
在作者所给代码的基础上增加的内容包括:
1)原书中所分析的内容中缺少的代码
2)实现了协同过滤推荐结果展示;
3)实现了按照流行度推荐以及随机推荐;
1 背景与目标分析
-
目标 分析某网站的用户访问记录,然后分析网页相关主题,分析用户网上访问行为;借助用户的访问记录,发现用户的访问习惯,对不同用户进行相关服务页面的推荐。
-
实质:推荐算法。
2.数据探索分析
-
读取数据
import pandas as pdfrom sqlalchemy import create_engineengine = create_engine('mysql+pymysql://root:@localhost/wangye?charset=utf8')sql = pd.read_sql('all_gzdata', engine, chunksize = 10000)'''用create_engine建立连接,连接地址的意思依次为“数据库格式(mysql)+程序名(pymysql)+账号密码@地址端口/数据库名(test)”,最后指定编码为utf8;all_gzdata是表名,engine是连接数据的引擎,chunksize指定每次读取1万条记录。这时候sql是一个容器,未真正读取数据。'''
2.1 网页类型分析
2.1.1 统计各个网页类型所占的比例
-
统计fullURLId的数量
counts = [ i['fullURLId'].value_counts() for i in sql] #按次10000存取,逐块统计counts = pd.concat(counts).groupby(level=0).sum() #合并统计结果,把相同的统计项合并(即按index分组并求和)counts = counts.reset_index() #重新设置index,将原来的index作为counts的一列。counts.columns = ['index', 'num'] #重新设置列名,主要是第二列,默认为0counts
-
提取前3个数字做网页类别
counts['type'] = counts['index'].str.extract('(\d{3})') #提取前三个数字作为类别idcounts
-
按类别合并
counts_ = counts[['type', 'num']].groupby('type').sum() #按类别合并counts_.sort_values('num', ascending = False) #降序排列counts_['percentage'] = (counts_['num']/counts_['num'].sum())*100counts_.to_excel('./tmp/1_1_3type_counts.xlsx')counts_
-
各网页类型中小类别占比
# 每个大类别下面小类别占比a = counts.set_index(['type'])b = counts.groupby('type').sum()print(b)c = pd.merge(a,b,left_index=True,right_index=True)print(c)
添加网页类型百分比
c['persentage'] = (c['num_x']/c['num_y'])*100del c['num_y']c.rename(columns={'num_x':'num'},inplace=True)c
2.1.2 网页107类型中的内部统计
-
统计各类型的数量
import pandas as pdfrom sqlalchemy import create_engineengine = create_engine('mysql+pymysql://root:@localhost/wangye?charset=utf8')sql = pd.read_sql('all_gzdata', engine, chunksize = 10000)#统计107类别的情况def count107(i): #自定义统计函数j = i[['fullURL']][i['fullURLId'].str.contains('107')].copy() #找出类别包含107的网址j['type'] = None #添加空列j['type'][j['fullURL'].str.contains('info/.+?/')] = u'知识首页' #info以/结尾j['type'][j['fullURL'].str.contains('info/.+?/.+?')] = u'知识列表页'j['type'][j['fullURL'].str.contains('/\d+?_*\d+?\.html')] = u'知识内容页'return j['type'].value_counts()counts2 = [count107(i) for i in sql] #逐块统计counts2 = pd.concat(counts2).groupby(level=0).sum() #合并统计结果counts2.to_excel('./tmp/1_4type107.xlsx')print(counts2)
-
百分比
#计算各个部分的占比res107 = pd.DataFrame(counts2)# res107.reset_index(inplace=True)res107.index.name= u'107类型'res107.rename(columns={'type':'num'},inplace=True)res107[u'百分比'] = (res107['num']/res107['num'].sum())*100res107.reset_index(inplace = True)#保存的表名命名格式为“1_1_k+此表功能名称”,此表表示生成的第3张表格,功能为type107,计算知识类型各个小类型所占比例res107.to_excel('1_1_3type107.xlsx')res107
2.1.3 统计带"?"问号网址类型统计
2.1.4 统计199类型中的具体类型占比
2.1.5 统计瞎逛用户中各个类型占比
2.2 点击次数分析
目标:点击次数分析:统计分析原始数据用户浏览网页次数(以“真实IP”区分)的情况
2.2.1 统计点击次数
import pandas as pdfrom sqlalchemy import create_engineengine = create_engine('mysql+pymysql://root:@localhost/wangye?charset=utf8')sql = pd.read_sql('all_gzdata', engine, chunksize = 10000)#统计点击次数c = [i['realIP'].value_counts() for i in sql] #分块统计各个IP的出现次数count3 = pd.concat(c).groupby(level = 0).sum() #合并统计结果,level=0表示按index分组count_df = pd.DataFrame(count3) #Series转为DataFramecount3=count_dfcount3[1]=1 # 添加1列全为1print(count3.head())
2.2.2 点击次数与用户数量关系
realIP_sum=count3['realIP'].sum()print(realIP_sum)count3= count3.groupby('realIP').sum()##统计各个“不同点击次数”分别出现的次数# 也可以使用counts1_['realIP'].value_counts()功能print(count3.head())count3.columns=[u'用户数']count3.index.name = u'点击次数'print(count3.head())
-
用户点击次数所占百分比
count3[u'用户百分比'] = count3[u'用户数']/count3[u'用户数'].sum()*100count3[u'点击记录百分比'] = count3[u'用户数']*count3.index/realIP_sum*100count3.sort_index(inplace = True)c=count3.iloc[:7,]c=c.Tc
2.2.3 统计1~7次数及7次以上的点击数
c.insert(0,u'总计',[count3[u'用户数'].sum(),100,100])c[u'7次以上'] = c.iloc[:,0]- c.iloc[:,1:].sum(1)c.to_excel('./tmp/2_2_2clickTimes.xlsx')c
-
转置表格,并将所有输出保留两位小数
d = c.Tformat = lambda x: '%.2f' % x # 也可以使用d.round(4)d = d.applymap(format)d.T
从上表中可以看出大约80%的用户(不超过3次)只提供了大约30%的浏览量(几乎满足二八定律)。在数据中,点击次数最大值为23861次,对其进行分析,发现是律师的浏览信息(通过律师助手进行判断)。下表是对浏览次数达到7次以上的情况进行的分析,可以从中看出大部分用户浏览8到100次。
-
分析浏览次数7次以上的用户
# 分析浏览次数7次以上的数据times = counts1_.index[7:]bins = [7,100,1000,50000]cats = pd.cut(times,bins,right=True,labels=['8~100','101~1000','1000以上'])e = cats.value_counts()e = DataFrame(e, columns =[u'用户数'])e.index.name = u'点击次数'e[u'用户数'] = np.nane.ix[u'8~100',u'用户数'] = a.loc[8:100,:][u'用户数'].sum()e.ix['101~1000',u'用户数'] = a.loc[101:1000,:][u'用户数'].sum()e.ix['1000以上',u'用户数'] = a.loc[1001:,:][u'用户数'].sum()e.sort_values(by=u'用户数',ascending=False,inplace = True)e.reset_index(inplace=True) e
2.2.4 浏览一次的用户行为分析
# 获取浏览一次的所有数据f = count_df[count_df['realIP']==1] # [i['realIP'].value_counts() for i in sql]del f[1]f.columns = [u'点击次数']f.index.name
import pandas as pdfrom sqlalchemy import create_engineengine = create_engine('mysql+pymysql://root:@localhost/wangye?charset=utf8')sql = pd.read_sql('all_gzdata', engine, chunksize = 10000)# g = [pd.merge(f,i[['fullURLId','fullURL','realIP']],right_on = 'realIP',left_index=True,how ='left') for i in sql]g = [i[['fullURLId','fullURL','realIP']] for i in sql]g = pd.concat(g)h = pd.merge(f,g,right_on = 'realIP',left_index=True,how ='left')h.head()
-
浏览一次的用户的网页类型ID分析
# 浏览一次的用户的网页类型ID分析i = h['fullURLId'].value_counts()i = pd.DataFrame(i)print(i)i.rename(columns={'fullURLId':u'个数'},inplace=True)i.index.name = u'网页类型ID'i[u'百分比'] = i[u'个数']/i[u'个数'].sum()*100#保存的表名命名格式为“1_2_k此表功能名称”,此表表示生成的第2张表格,功能为typeID:浏览一次的用户的网页类型ID分析i.to_excel('./tmp/2_3_4typeID.xlsx')
-
提取个数大一百的类型
j=i[i[u'个数']>100]j.loc[u'其他',u'个数'] = i[i[u'个数']<=100][u'个数'].sum()j.loc[u'其他',u'百分比'] = i[i[u'个数']<100][u'百分比'].sum()j# 浏览一次的用户中浏览的网页类型ID
针对浏览次数为一次的用户进行分析,其结果如上图所示。其中,问题咨询页占比74%,知识页占比16%,而且这些记录基本上全是通过搜索引擎进人的。 由此可以猜测两种可能:
-
用户为流失用户,在问题咨询与知识页面上没有找到相关的需要。
-
用户找到其需要的信息,因此直接退出。综合这些情况,可以将这些点击一次的用户行为定义为网页的跳出率。为了降低网页的跳出率,需要对这些网页进行针对用户的个性化推荐,帮助用户发现其感兴趣或者需要的网页。
-
用户点击1次所浏览网页统计(点击数大于100次的)
# 点击1次用户浏览网页统计(点击数大于100次的)k = pd.DataFrame(h['fullURL'].value_counts())k.index.name = u'网址'k.columns = [u'点击数']m = k[k[u'点击数'] > 100]m.loc[u'其他',u'点击数'] = k[k[u'点击数']<=100][u'点击数'].sum()m[u'百分比'] = m[u'点击数']/k[u'点击数'].sum()#保存的表名命名格式为“1_2_k此表功能名称”,此表表示生成的第3张表格,功能为lookMorethan100:点击1次用户浏览网页统计(点击数大于100次的)m.to_excel('./tmp/2_3_5lookMorethan100.xlsx')m
结论:排名靠前的都是知识与咨询页面,因此可以猜测大量用户的关注都在知识或咨询页面上。
2.3 网页排名
2.3.1 网页点击率排名表
import pandas as pdfrom sqlalchemy import create_engineengine = create_engine('mysql+pymysql://root:@localhost/wangye?charset=utf8')sql = pd.read_sql('all_gzdata', engine, chunksize = 10000)# g = [pd.merge(f,i[['fullURLId','fullURL','realIP']],right_on = 'realIP',left_index=True,how ='left') for i in sql]def clickfreq(i): #自定义统计函数j = i[['fullURL','fullURLId','realIP']][i['fullURL'].str.contains('\.html')]return jcounts1 = [clickfreq(i) for i in sql] #counts1 = pd.concat(counts1)counts1_ = counts1['fullURL'].value_counts()counts1_ = pd.DataFrame(counts1_)counts1_.columns = [u'点击次数']counts1_.index.name = u'网址'a = counts1_.sort_values(u'点击次数',ascending=False).iloc[:20,:]a
2.3.2 获取网页点击排名数筛选出点击次数>50的有html结尾的网址
b = counts1_.reset_index()c = b[b[u'点击次数']>50][b[u'网址'].str.contains('/\d+?_*\d+?\.html')]c.set_index(u'网址',inplace=True)c.sort_index(inplace = True)# savetosql(c, 'count355')# 并保存到数据库中c
2.3.3 翻页网页统计,对浏览网页翻页的情况进行统计
-
获取网址中以http://与.html中间的主体部分,即去掉翻页的内容
# 获取网址中以http://与.html中间的主体部分,即去掉翻页的内容,即去掉尾部"_d"import reimport numpy as nppattern = re.compile('http://(.*\d+?)_\w+_\w+\.html$|http://(.*\d+?)_\w+\.html$|http://(.*\w+?).html$',re.S)c['websitemain'] = np.nanfor i in range(len(c)):items = re.findall(pattern, c.index[i])if len(items)== 0:temp = np.nanelse:for j in items[0]:if j !='':temp = jc.iloc[i,1] = tempc
-
获取所有网页主体的网页数
d = c['websitemain'].value_counts()d = pd.DataFrame(d)d
-
统计网页主体出现次数为不少于二次的,即存在翻页的网址
# 统计网页主体出现次数为不少于二次的,即存在翻页的网址e = d[d['websitemain']>=2]e.columns=['Times']#记录某网页及子网页出现的次数e.index.name='websitemain'# 主网页e['num'] = np.arange(1,len(e)+1) f = pd.merge(c,e,left_on='websitemain',right_index=True,how='right')f.sort_index(inplace=True)f['per'] = np.nanf# 相同num的网页是拥有同一网页主体
-
统计翻子页的点击率与上一页网页点击率的比重
# 统计翻子页的点击率与上一页网页点击率的比重(注意:用此处这个方法对网页翻页后序号有10页及以上的合适def getper(x):x.sort_index(inplace=True) #必须先排序将网页xfor i in range(len(x)-1):x.iloc[i+1,-1] = x.iloc[i+1,0]/x.iloc[i,0]return x result = pd.DataFrame([]) # 用一个空表格记录值for i in range(1,f['num'].max()+1):#count36['num'].max()+1k= getper(f[f['num'] == i])result = pd.concat([result,k])# 每次进行一次操作时
f['Times'].value_counts() # 由统计结果看,只有一个主网址出现过10次及以上,该数据采用上述方法会出问题,因此,在结果中将其剔除后观察剩余数据
flipPageResult = result[result['Times']<10]#保存的表名命名格式为“1_3_k此表功能名称”,是此小节生成的第1张表格,功能为flipPageResult:统计翻子页的点击率与上一页网页点击率的比重flipPageResult.to_excel('./tmp/3_flipPageResult.xlsx')flipPageResult