如何根据教育平台的线上用户信息和学习信息,通过数据分析为教育平台和用户 提供精准的课程推荐服务就成为线上教育的热点问题。
数据分享链接:https://pan.baidu.com/s/1pKTbt24egIHO04rUFnNQ_w?pwd=djqi
提取码:djqi
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
#中文乱码与坐标轴负号处理
plt.rcParams['font.sans-serif'] = ['Microsoft Yahei']
plt.rcParams['axes.unicode_minus'] = False
Login = pd.read_csv('Login.csv')
Login.head()
|
user_id |
login_time |
login_place |
0 |
用户3 |
2018-09-06 09:32:47 |
中国广东广州 |
1 |
用户3 |
2018-09-07 09:28:28 |
中国广东广州 |
2 |
用户3 |
2018-09-07 09:57:44 |
中国广东广州 |
3 |
用户3 |
2018-09-07 10:55:07 |
中国广东广州 |
4 |
用户3 |
2018-09-07 12:28:42 |
中国广东广州 |
study_information = pd.read_csv('study_information.csv')
study_information.head()
|
user_id |
course_id |
course_join_time |
learn_process |
price |
0 |
用户3 |
课程106 |
2020-04-21 10:11:50 |
width: 0%; |
0.0 |
1 |
用户3 |
课程136 |
2020-03-05 11:44:36 |
width: 1%; |
0.0 |
2 |
用户3 |
课程205 |
2018-09-10 18:17:01 |
width: 63%; |
0.0 |
3 |
用户4 |
课程26 |
2020-03-31 10:52:51 |
width: 0%; |
319.0 |
4 |
用户4 |
课程34 |
2020-03-31 10:52:49 |
width: 0%; |
299.0 |
users = pd.read_csv('users.csv')
users1 = users[['user_id','register_time','recently_logged','learn_time']]
users1.head()
|
user_id |
register_time |
recently_logged |
learn_time |
0 |
用户44251 |
2020/6/18 9:49 |
2020/6/18 9:49 |
41.25 |
1 |
用户44250 |
2020/6/18 9:47 |
2020/6/18 9:48 |
0 |
2 |
用户44249 |
2020/6/18 9:43 |
2020/6/18 9:43 |
16.22 |
3 |
用户44248 |
2020/6/18 9:09 |
2020/6/18 9:09 |
0 |
4 |
用户44247 |
2020/6/18 7:41 |
2020/6/18 8:15 |
1.8 |
任务一 数据预处理
任务1.1
对照附录 1,理解各字段的含义,进行缺失值、重复值等方面的必要处理,将处理结果保存“task1_1_X.csv”(如果包含多张数据表,X 可从 1 开始往后编号),并在报告中描述处理过程。
缺失值处理
Login.isnull().mean()
user_id 0.0
login_time 0.0
login_place 0.0
dtype: float64
study_information.isnull().mean()
user_id 0.000000
course_id 0.000000
course_join_time 0.000000
learn_process 0.000000
price 0.021736
dtype: float64
删除price的缺失,认0为免费课程
study_information = study_information.dropna(subset=['price'])
study_information.head()
|
user_id |
course_id |
course_join_time |
learn_process |
price |
0 |
用户3 |
课程106 |
2020-04-21 10:11:50 |
width: 0%; |
0.0 |
1 |
用户3 |
课程136 |
2020-03-05 11:44:36 |
width: 1%; |
0.0 |
2 |
用户3 |
课程205 |
2018-09-10 18:17:01 |
width: 63%; |
0.0 |
3 |
用户4 |
课程26 |
2020-03-31 10:52:51 |
width: 0%; |
319.0 |
4 |
用户4 |
课程34 |
2020-03-31 10:52:49 |
width: 0%; |
299.0 |
users1.isnull().mean()
user_id 0.001523
register_time 0.000000
recently_logged 0.000000
learn_time 0.000000
dtype: float64
对user_id缺失进行删除
users1 = users.dropna(subset=['user_id'])
users1.head()
|
user_id |
register_time |
recently_logged |
number_of_classes_join |
number_of_classes_out |
learn_time |
school |
0 |
用户44251 |
2020/6/18 9:49 |
2020/6/18 9:49 |
0 |
0 |
41.25 |
NaN |
1 |
用户44250 |
2020/6/18 9:47 |
2020/6/18 9:48 |
0 |
0 |
0 |
NaN |
2 |
用户44249 |
2020/6/18 9:43 |
2020/6/18 9:43 |
0 |
0 |
16.22 |
NaN |
3 |
用户44248 |
2020/6/18 9:09 |
2020/6/18 9:09 |
0 |
0 |
0 |
NaN |
4 |
用户44247 |
2020/6/18 7:41 |
2020/6/18 8:15 |
0 |
0 |
1.8 |
NaN |
异常值处理
#excel表格处理
users1.to_csv('new_users1.csv')
new_users1 = pd.read_csv('new_users.csv')
new_users1.columns
new_users = new_users1[[ 'user_id', 'register_time', 'recently_logged', 'number_of_classes_join','number_of_classes_out','learn_time']]
new_users.head()
|
user_id |
register_time |
recently_logged |
number_of_classes_join |
number_of_classes_out |
learn_time |
0 |
用户44251 |
2020/6/18 9:49 |
2020/6/18 9:49 |
0 |
0 |
41.25 |
1 |
用户44250 |
2020/6/18 9:47 |
2020/6/18 9:48 |
0 |
0 |
0 |
2 |
用户44249 |
2020/6/18 9:43 |
2020/6/18 9:43 |
0 |
0 |
16.22 |
3 |
用户44248 |
2020/6/18 9:09 |
2020/6/18 9:09 |
0 |
0 |
0 |
4 |
用户44247 |
2020/6/18 7:41 |
2020/6/18 8:15 |
0 |
0 |
1.8 |
任务 1.2
重复值处理
print("Login表存在重复值:",any(Login.duplicated()))
print("study_information表存在重复值:",any(study_information.duplicated()))
print("users表存在重复值:",any(new_users.duplicated()))
Login表存在重复值: False
study_information表存在重复值: False
users表存在重复值: True
new_users.drop_duplicates(inplace=True)
new_users.head()
|
user_id |
register_time |
recently_logged |
number_of_classes_join |
number_of_classes_out |
learn_time |
0 |
用户44251 |
2020/6/18 9:49 |
2020/6/18 9:49 |
0 |
0 |
41.25 |
1 |
用户44250 |
2020/6/18 9:47 |
2020/6/18 9:48 |
0 |
0 |
0 |
2 |
用户44249 |
2020/6/18 9:43 |
2020/6/18 9:43 |
0 |
0 |
16.22 |
3 |
用户44248 |
2020/6/18 9:09 |
2020/6/18 9:09 |
0 |
0 |
0 |
4 |
用户44247 |
2020/6/18 7:41 |
2020/6/18 8:15 |
0 |
0 |
1.8 |
任务二 平台用户活跃度分析
任务 2.1
分别绘制各省份与各城市平台登录次数热力地图,并分析用户分布情况。
——国内
Login['guobie'] = Login['login_place'].apply(lambda x:x[0:2]).tolist()
Login.head(5)
|
user_id |
login_time |
login_place |
guobie |
0 |
用户3 |
2018-09-06 09:32:47 |
中国广东广州 |
中国 |
1 |
用户3 |
2018-09-07 09:28:28 |
中国广东广州 |
中国 |
2 |
用户3 |
2018-09-07 09:57:44 |
中国广东广州 |
中国 |
3 |
用户3 |
2018-09-07 10:55:07 |
中国广东广州 |
中国 |
4 |
用户3 |
2018-09-07 12:28:42 |
中国广东广州 |
中国 |
Login_nei = Login.loc[Login['login_place'].str.contains("内蒙古")]
Login_nei['shengfen'] = Login_nei['login_place'].apply(lambda x:x[2:5]).tolist()
Login_nei['chengshi'] = Login_nei['login_place'].apply(lambda x:x[5:]).tolist()
Login_nei.head()
|
user_id |
login_time |
login_place |
guobie |
shengfen |
chengshi |
15646 |
用户1234 |
2020-02-03 21:38:07 |
中国内蒙古呼和浩特 |
中国 |
内蒙古 |
呼和浩特 |
17145 |
用户1491 |
2019-01-04 14:19:26 |
中国内蒙古呼和浩特 |
中国 |
内蒙古 |
呼和浩特 |
17283 |
用户1544 |
2019-10-11 13:56:47 |
中国内蒙古呼和浩特 |
中国 |
内蒙古 |
呼和浩特 |
17698 |
用户1715 |
2019-01-10 09:37:46 |
中国内蒙古鄂尔多斯 |
中国 |
内蒙古 |
鄂尔多斯 |
17809 |
用户1765 |
2019-01-11 15:03:12 |
中国内蒙古兴安盟 |
中国 |
内蒙古 |
兴安盟 |
Login_hei = Login.loc[Login['login_place'].str.contains("黑龙江")]
Login_hei['shengfen'] = Login_hei['login_place'].apply(lambda x:x[2:5]).tolist()
Login_hei['chengshi'] = Login_hei['login_place'].apply(lambda x:x[5:]).tolist()
Login_hei.head()
|
user_id |
login_time |
login_place |
guobie |
shengfen |
chengshi |
5682 |
用户186 |
2018-10-25 19:40:12 |
中国黑龙江 |
中国 |
黑龙江 |
|
5683 |
用户186 |
2018-10-27 11:30:15 |
中国黑龙江 |
中国 |
黑龙江 |
|
5684 |
用户186 |
2018-10-28 12:23:24 |
中国黑龙江 |
中国 |
黑龙江 |
|
5821 |
用户196 |
2018-10-25 19:57:47 |
中国黑龙江 |
中国 |
黑龙江 |
|
6196 |
用户229 |
2018-10-25 21:28:13 |
中国黑龙江哈尔滨 |
中国 |
黑龙江 |
哈尔滨 |
#不包括内蒙古、黑龙江
Login2 = Login[~Login['login_place'].isin(["内蒙古",'黑龙江'])]
Login2['shengfen'] = Login2['login_place'].apply(lambda x:x[2:4]).tolist()
Login2['chengshi'] = Login2['login_place'].apply(lambda x:x[4:]).tolist()
Login2.head(5)
|
user_id |
login_time |
login_place |
guobie |
shengfen |
chengshi |
0 |
用户3 |
2018-09-06 09:32:47 |
中国广东广州 |
中国 |
广东 |
广州 |
1 |
用户3 |
2018-09-07 09:28:28 |
中国广东广州 |
中国 |
广东 |
广州 |
2 |
用户3 |
2018-09-07 09:57:44 |
中国广东广州 |
中国 |
广东 |
广州 |
3 |
用户3 |
2018-09-07 10:55:07 |
中国广东广州 |
中国 |
广东 |
广州 |
4 |
用户3 |
2018-09-07 12:28:42 |
中国广东广州 |
中国 |
广东 |
广州 |
Login_he1 = Login_nei.append(Login2)
Login_he2 = Login_he1.append(Login_hei)
Login_he = Login_he2[['user_id','login_time','guobie','shengfen','chengshi']]
Login_he.head()
|
user_id |
login_time |
guobie |
shengfen |
chengshi |
15646 |
用户1234 |
2020-02-03 21:38:07 |
中国 |
内蒙古 |
呼和浩特 |
17145 |
用户1491 |
2019-01-04 14:19:26 |
中国 |
内蒙古 |
呼和浩特 |
17283 |
用户1544 |
2019-10-11 13:56:47 |
中国 |
内蒙古 |
呼和浩特 |
17698 |
用户1715 |
2019-01-10 09:37:46 |
中国 |
内蒙古 |
鄂尔多斯 |
17809 |
用户1765 |
2019-01-11 15:03:12 |
中国 |
内蒙古 |
兴安盟 |
——国外
#各国登录统计
Login_he2 = Login_he.groupby(by='guobie',as_index=False).count()
#不包括中国
Login_he3 = Login_he2[~Login_he2['guobie'].isin(["中国"])]
Login_he3
|
guobie |
user_id |
login_time |
shengfen |
chengshi |
1 |
南非 |
3 |
3 |
3 |
3 |
2 |
希腊 |
1 |
1 |
1 |
1 |
3 |
德国 |
24 |
24 |
24 |
24 |
4 |
挪威 |
1 |
1 |
1 |
1 |
5 |
捷克 |
4 |
4 |
4 |
4 |
6 |
波兰 |
7 |
7 |
7 |
7 |
7 |
泰国 |
2 |
2 |
2 |
2 |
8 |
瑞典 |
1 |
1 |
1 |
1 |
9 |
瑞士 |
1 |
1 |
1 |
1 |
10 |
英国 |
151 |
151 |
151 |
151 |
11 |
荷兰 |
8 |
8 |
8 |
8 |
12 |
越南 |
27 |
27 |
27 |
27 |
from pyecharts.charts import Line
from pyecharts import options as opts
x_data = list(Login_he3['guobie'])
#['South Africa','Greece','Germany','Norway','Czech Rep.','Poland','Thailand',
# 'Sweden','Switzerland','United Kingdom','Netherlands','Vietnam']
y_data = Login_he3['user_id']
# 特殊值标记
line = (Line()
.add_xaxis(x_data)
.add_yaxis("国外平台登录情况",y_data)
.set_series_opts(
# 为了不影响标记点,这里把标签关掉
label_opts=opts.LabelOpts(is_show=False),
markline_opts=opts.MarkLineOpts(
data=[
opts.MarkLineItem(type_="average", name="平均值")
]))
.set_global_opts(
#title_opts=opts.TitleOpts(title="国内平台登录次数", subtitle="副标题"), # 标题
toolbox_opts=opts.ToolboxOpts(), # 工具箱
datazoom_opts=opts.DataZoomOpts(range_start=0,range_end=100) # 横轴缩放
)
)
line.render_notebook()
各省份平台登录次数热力地图
#不包括国外
Login_china = Login_he[Login_he['guobie'].isin(["中国"])]
Login_china2 = Login_china.groupby(by='shengfen',as_index=False).count()
Login_china3 = Login_china2.iloc[1:,]
Login_china3['count'] = Login_china3['user_id']
Login_china3.head()
|
shengfen |
user_id |
login_time |
guobie |
chengshi |
count |
1 |
上海 |
5365 |
5365 |
5365 |
5365 |
5365 |
2 |
云南 |
3750 |
3750 |
3750 |
3750 |
3750 |
3 |
内蒙 |
1870 |
1870 |
1870 |
1870 |
1870 |
4 |
内蒙古 |
1870 |
1870 |
1870 |
1870 |
1870 |
5 |
北京 |
4946 |
4946 |
4946 |
4946 |
4946 |
type(y_data.values)
numpy.ndarray
——全国省份用户登录人数分布
from pyecharts.charts import Bar
x_data = list(Login_china3['shengfen'])
y_data = list(Login_china3['count'])
# 特殊值标记
bar = (Bar()
.add_xaxis(x_data)
.add_yaxis('国内平台登录次数', y_data)
.set_series_opts(
markpoint_opts=opts.MarkPointOpts(
data=[
opts.MarkPointItem(type_="max", name="最大值"),
opts.MarkPointItem(type_="min", name="最小值"),
]))
.set_global_opts(
#title_opts=opts.TitleOpts(title="国内平台登录次数", subtitle="副标题"), # 标题
toolbox_opts=opts.ToolboxOpts(), # 工具箱
datazoom_opts=opts.DataZoomOpts(range_start=0,range_end=100) # 横轴缩放
)
.set_series_opts(
# 为了不影响标记点,这里把标签关掉
label_opts=opts.LabelOpts(is_show=False),
markline_opts=opts.MarkLineOpts(
data=[
opts.MarkLineItem(type_="average", name="平均值")
]))
)
bar.render_notebook()
#bar.render('map2.html') #保存到本地
from pyecharts.charts import Map
province = ['北京市','天津市','河北省','山西省','内蒙古自治区','辽宁省','吉林省','黑龙江省','上海市','江苏省','浙江省','安徽省','福建省','江西省',
'山东省','河南省','湖北省','湖南省','广东省','广西壮族自治区','海南省','重庆市','四川省','贵州省','云南省','陕西省','甘肃省','青海省','宁夏回族自治区','新疆维吾尔自治区']
values = list(Login_china3['count'])
data = [[province[i],values[i]] for i in range(len(province))]
map = (
Map()
.add("中国各省平台登录次数",data,'china')
)
map.set_global_opts(
visualmap_opts=opts.VisualMapOpts(max_=125000), #最大数据范围
toolbox_opts=opts.ToolboxOpts() # 工具箱
)
map.render_notebook()
该平台主要的服务人群是在华中和华南地区为主,代表的省份为广东,浙江,上海等省市,而相对比较偏远的西部地区分布较少,例如内蒙古、西藏、云南等地。当前重点地区的分布与我国目前互联网发展的情况大体一致,这与线上平台依托于互联网发展密切相关。
各城市平台登录次数热力地图
#重点省份用户平台登陆次数分析
Login_china4 = Login_china3.sort_values(by='count',ascending=False)
Login_china5 = Login_china4.iloc[0:10,:]
x_data = list(Login_china5['shengfen'])
y_data = list(Login_china5['count'])
bar = (Bar()
.add_xaxis(x_data)
.add_yaxis('重点省份用户平台登陆次数分析', y_data)
.set_series_opts(
markpoint_opts=opts.MarkPointOpts(
data=[
opts.MarkPointItem(type_="max", name="最大值"),
opts.MarkPointItem(type_="min", name="最小值"),
]))
.set_global_opts(
title_opts=opts.TitleOpts(title="国内平台登录次数", subtitle="副标题"), # 标题
toolbox_opts=opts.ToolboxOpts(), # 工具箱
datazoom_opts=opts.DataZoomOpts(range_start=0,range_end=100) # 横轴缩放
)
.set_series_opts(
# 为了不影响标记点,这里把标签关掉
label_opts=opts.LabelOpts(is_show=False),
markline_opts=opts.MarkLineOpts(
data=[
opts.MarkLineItem(type_="average", name="平均值")
]))
)
bar.render_notebook()
最为广泛的省市为广东、湖北、贵州、河南三地。
——重点省份用户分布情况分析
#广东
Login_guangdong1 = Login_he[Login_he['shengfen'].isin(["广东"])]
Login_guangdong2 = Login_guangdong1.groupby(by='chengshi',as_index=False).count()
Login_guangdong = Login_guangdong2.iloc[1:,]
Login_guangdong["new_chengshi"] = Login_guangdong['chengshi']+'市'
x_data = list(Login_guangdong['user_id'])
y_data = list(Login_guangdong['new_chengshi'])
data = [[y_data[i],x_data[i]] for i in range(len(y_data))]
map = (
Map()
.add("广东各城市平台登录次数热力地图",data,'广东')
)
map.set_global_opts(
visualmap_opts=opts.VisualMapOpts(max_=28000), #最大数据范围
toolbox_opts=opts.ToolboxOpts() # 工具箱
)
map.render_notebook()
#湖北
Login_hubei1 = Login_he[Login_he['shengfen'].isin(["湖北"])]
Login_hubei2 = Login_hubei1.groupby(by='chengshi',as_index=False).count()
Login_hubei = Login_hubei2.iloc[1:,]
Login_hubei["new_chengshi"] = Login_hubei['chengshi']+'市'
Login_hubei.loc[Login_hubei['new_chengshi']== '恩施土家族苗族自治州市','new_chengshi']= '恩施土家族苗族自治州'
Login_hubei.loc[Login_hubei['new_chengshi']== '神农架林区市','new_chengshi']= '神农架林区'
x_data = list(Login_hubei['user_id'])
y_data = list(Login_hubei['new_chengshi'])
data = [[y_data[i],x_data[i]] for i in range(len(y_data))]
map = (
Map()
.add("湖北各城市平台登录次数热力地图",data,'湖北')
)
map.set_global_opts(
visualmap_opts=opts.VisualMapOpts(max_=6800), #最大数据范围
toolbox_opts=opts.ToolboxOpts() # 工具箱
)
map.render_notebook()
#贵州
Login_guizhou1 = Login_he[Login_he['shengfen'].isin(["贵州"])]
Login_guizhou2 = Login_guizhou1.groupby(by='chengshi',as_index=False).count()
Login_guizhou = Login_guizhou2.iloc[1:,]
Login_guizhou["new_chengshi"] = Login_guizhou['chengshi']+'市'
Login_guizhou.loc[Login_guizhou['new_chengshi']== '黔东南苗族侗族自治州市','new_chengshi']= '黔东南苗族侗族自治州'
Login_guizhou.loc[Login_guizhou['new_chengshi']== '黔南布依族苗族自治州市','new_chengshi']= '黔南布依族苗族自治州'
Login_guizhou.loc[Login_guizhou['new_chengshi']== '黔西南布依族苗族自治州市','new_chengshi']= '黔西南布依族苗族自治州'
x_data = list(Login_guizhou['user_id'])
y_data = list(Login_guizhou['new_chengshi'])
data = [[y_data[i],x_data[i]] for i in range(len(y_data))]
map = (
Map()
.add("贵州各城市平台登录次数热力地图",data,'贵州')
)
map.set_global_opts(
visualmap_opts=opts.VisualMapOpts(max_=3700), #最大数据范围
toolbox_opts=opts.ToolboxOpts() # 工具箱
)
map.render_notebook()
#河南
Login_henan1 = Login_he[Login_he['shengfen'].isin(["河南"])]
Login_henan2 = Login_henan1.groupby(by='chengshi',as_index=False).count()
Login_henan = Login_henan2.iloc[1:,]
Login_henan["new_chengshi"] = Login_henan['chengshi']+'市'
x_data = list(Login_henan['user_id'])
y_data = list(Login_henan['new_chengshi'])
data = [[y_data[i],x_data[i]] for i in range(len(y_data))]
map = (
Map()
.add("河南各城市平台登录次数热力地图",data,'河南')
)
map.set_global_opts(
visualmap_opts=opts.VisualMapOpts(max_=2550), #最大数据范围
toolbox_opts=opts.ToolboxOpts() # 工具箱
)
map.render_notebook()
任务 2.2
分别绘制工作日与非工作日各时段的用户登录次数柱状图,并分析用户活跃的主要时间段。
#将日期与时间分割
Login1 = Login["login_time"].str.split(" ",expand=True).fillna("")
Login1['login_data'] = Login1[0]
Login1['login_hour'] = Login1[1]
Login1['user_id'] = Login['user_id']
Login2 = Login1[['user_id','login_data','login_hour']]
Login2.head()
|
user_id |
login_data |
login_hour |
0 |
用户3 |
2018-09-06 |
09:32:47 |
1 |
用户3 |
2018-09-07 |
09:28:28 |
2 |
用户3 |
2018-09-07 |
09:57:44 |
3 |
用户3 |
2018-09-07 |
10:55:07 |
4 |
用户3 |
2018-09-07 |
12:28:42 |
工作日分析
import datetime
import chinese_calendar
start_time = datetime.datetime(2018, 9, 6)
end_time = datetime.datetime(2020, 6, 18)
#获取工作日时期
a = chinese_calendar.get_workdays(start_time,end_time)
#chinese_calendar.get_holidays(start_time,end_time)
#转换为日期列表
date_string = [d.strftime('%Y-%m-%d') for d in a]
#筛选工作日所含数据
Login3 = Login2[Login2['login_data'].isin(date_string)]
#将小时取整
x = Login3['login_hour']
Login3['login_newhour'] = Login3['login_hour'].apply(lambda x: int(x[0:2]))
Login3.head()
|
user_id |
login_data |
login_hour |
login_newhour |
0 |
用户3 |
2018-09-06 |
09:32:47 |
9 |
1 |
用户3 |
2018-09-07 |
09:28:28 |
9 |
2 |
用户3 |
2018-09-07 |
09:57:44 |
9 |
3 |
用户3 |
2018-09-07 |
10:55:07 |
10 |
4 |
用户3 |
2018-09-07 |
12:28:42 |
12 |
gongzuori = Login3.groupby(by=Login3['login_newhour'],as_index=False)['user_id'].count()
gongzuori['gongzuori'] = gongzuori['user_id']
gongzuori = gongzuori[['login_newhour','gongzuori']]
gongzuori.head()
|
login_newhour |
gongzuori |
0 |
0 |
3520 |
1 |
1 |
1315 |
2 |
2 |
612 |
3 |
3 |
350 |
4 |
4 |
215 |
非工作日分析
import datetime
import chinese_calendar
start_time = datetime.datetime(2018, 9, 6)
end_time = datetime.datetime(2020, 6, 18)
#获取非工作日时期
a = chinese_calendar.get_holidays(start_time,end_time)
#chinese_calendar.get_holidays(start_time,end_time)
#转换为日期列表
date_string = [d.strftime('%Y-%m-%d') for d in a]
#筛选非工作日所含数据
Login4 = Login2[Login2['login_data'].isin(date_string)]
#将小时取整
x = Login4['login_hour']
Login4['login_newhour'] = Login4['login_hour'].apply(lambda x: int(x[0:2]))
Login4.head()
|
user_id |
login_data |
login_hour |
login_newhour |
38 |
用户3 |
2018-09-23 |
00:56:32 |
0 |
88 |
用户3 |
2018-10-13 |
09:19:45 |
9 |
89 |
用户3 |
2018-10-13 |
16:02:59 |
16 |
104 |
用户3 |
2018-10-20 |
17:10:33 |
17 |
135 |
用户3 |
2018-11-04 |
18:02:06 |
18 |
holidays = Login4.groupby(by=Login4['login_newhour'],as_index=False)['user_id'].count()
holidays['holidays'] = holidays['user_id']
holidays = holidays[['login_newhour','holidays']]
holidays.head()
|
login_newhour |
holidays |
0 |
0 |
1538 |
1 |
1 |
628 |
2 |
2 |
323 |
3 |
3 |
148 |
4 |
4 |
96 |
from pyecharts.charts import Line
attr = list(gongzuori['login_newhour'])
v1 = list(gongzuori['gongzuori'])
v2 = list(holidays['holidays'])
line = (Line()
.add_xaxis(attr)
.add_yaxis('工作日次数', v1)
.add_yaxis('非工作日次数',v2)
.set_global_opts(
title_opts=opts.TitleOpts(title="用户活跃度整体情况分析"), # 标题
toolbox_opts=opts.ToolboxOpts(), # 工具箱
datazoom_opts=opts.DataZoomOpts(range_start=0,range_end=100) # 横轴缩放
)
)
line.render_notebook()
从早上七点开始,用户登陆频次开始逐渐攀升,在 7:00 到 9:00 期间呈现“陡坡式”攀升,上升幅度达到一天中地最大值。其中,用户登录高峰时间段在上午 8:00 到晚上 23:00,在 10:00-11:00 期间达到最高峰。另一个小高峰主要出现在下午 15:00-16:00。
一天中有登录频次有三次明显下降的时间,一是,在中午午休时间段(11:00-13:00)有所用户登录频次有所下降;第二次主要在下午 17:00 之后,该时间段为工作人员的下班时间;第三次出现在晚上 21:00 之后,该时间段大部分人结束一天的工作,进入休息时间。
非工作日中,登录总频次明显低于工作日,且登陆的最高峰峰值出现时间点不尽相同。
任务 2.3
记𝑇end为数据观察窗口截止时间(如:赛题数据的采集截止时间为2020 年 6 月 18 日),𝑇𝑖为用户 i 的最近访问时间,𝜎𝑖 = 𝑇end − 𝑇𝑖,若𝜎𝑖 > 90天,则称用户 i 为流失用户。根据该定义计算平台用户的流失率。
将该平台用户细分为活跃用户、潜水用户和流失用户。
用户总体情况分析
Tend = pd.date_range('20200618235959',periods=1)
new_users.drop_duplicates(inplace=True)
new_users['Tend'] = list(Tend)*43909
new_users['longtime'] = (pd.to_datetime(new_users['Tend']) - pd.to_datetime(new_users['recently_logged'])).map(lambda x:x.days)
#new_users['longtime'] = new_users['longtime'].astype(str)
new_users3 = new_users.dropna()
#new_users['longtime'].str.split("",expand=True).fillna("")
new_users3.head()
|
user_id |
register_time |
recently_logged |
number_of_classes_join |
number_of_classes_out |
learn_time |
Tend |
longtime |
0 |
用户44251 |
2020/6/18 9:49 |
2020/6/18 9:49 |
0 |
0 |
41.25 |
2020-06-18 23:59:59 |
0.0 |
1 |
用户44250 |
2020/6/18 9:47 |
2020/6/18 9:48 |
0 |
0 |
0 |
2020-06-18 23:59:59 |
0.0 |
2 |
用户44249 |
2020/6/18 9:43 |
2020/6/18 9:43 |
0 |
0 |
16.22 |
2020-06-18 23:59:59 |
0.0 |
3 |
用户44248 |
2020/6/18 9:09 |
2020/6/18 9:09 |
0 |
0 |
0 |
2020-06-18 23:59:59 |
0.0 |
4 |
用户44247 |
2020/6/18 7:41 |
2020/6/18 8:15 |
0 |
0 |
1.8 |
2020-06-18 23:59:59 |
0.0 |
new_users3['longtime'].describe()
count 43717.000000
mean 190.146259
std 170.868948
min 0.000000
25% 49.000000
50% 115.000000
75% 343.000000
max 646.000000
Name: longtime, dtype: float64
new_users4 = new_users3.groupby(by='longtime',as_index=False).count()
x_data = list(new_users4['longtime'])
y_data = list(new_users4['user_id'])
bar = (Bar()
.add_xaxis(x_data)
.add_yaxis('人数', y_data)
.set_series_opts(
# 为了不影响标记点,这里把标签关掉
label_opts=opts.LabelOpts(is_show=False))
.set_global_opts(
title_opts=opts.TitleOpts(title="各类时间差值人数分析"), # 标题
toolbox_opts=opts.ToolboxOpts(), # 工具箱
datazoom_opts=opts.DataZoomOpts(range_start=0,range_end=100) # 横轴缩放
)
)
bar.render_notebook()
大多数用户的时间差值大多聚集在 0-144 天之间。
流失天数及流失率分析
new_users5 = new_users3[new_users3['longtime'] >90]
new_users6 = new_users5.groupby(by='longtime',as_index=False).count()
x_data = list(new_users6['longtime'])
y_data = list(new_users6['user_id'])
bar = (Bar()
.add_xaxis(x_data)
.add_yaxis('天数', y_data)
.set_series_opts(
# 为了不影响标记点,这里把标签关掉
label_opts=opts.LabelOpts(is_show=False))
.set_global_opts(
title_opts=opts.TitleOpts(title="流失用户的流失天数分析"), # 标题
toolbox_opts=opts.ToolboxOpts(), # 工具箱
datazoom_opts=opts.DataZoomOpts(range_start=0,range_end=100) # 横轴缩放
)
)
bar.render_notebook()
print('流失率:',new_users5['longtime'].count()/43717)
print('流失人数:',new_users5['longtime'].count())
流失率: 0.5796143376718439
流失人数: 25339
未流失客户流失风险等级分类分析
潜水用户:小于 90 天且大于 60 天
活跃用户:小于 60 天
高活跃用户:小于 30 天
低活跃用户:小于 60 天且大于 30 天
qianshui = new_users3[(new_users3.longtime > 60) & (new_users3.longtime < 90)]['longtime'].count()
print('潜水用户:',qianshui)
print('潜水用户占比:',qianshui/(43717-25339))
潜水用户: 4796
潜水用户占比: 0.260964196321689
gao_huoyue = new_users3[new_users3.longtime < 30]['longtime'].count()
print('高活跃用户:',gao_huoyue)
print('高活跃用户占比:',gao_huoyue/(43717-25339))
高活跃用户: 7516
高活跃用户占比: 0.40896724344324736
di_huoyue = new_users3[(new_users3.longtime > 30) & (new_users3.longtime < 60)]['longtime'].count()
print('低活跃用户:',di_huoyue)
print('低活跃用户占比:',di_huoyue/(43717-25339))
低活跃用户: 5647
低活跃用户占比: 0.3072695614321471
任务 2.4
根据任务 2.1 至任务 2.3,分析平台用户的活跃度,为该教育平台的线上管理决策提供建议。
任务三 线上课程推荐
任务 3.1
根据用户参与学习的记录,统计每门课程的参与人数,计算每门课程的受欢迎程度,列出最受欢迎的前 10 门课程,并绘制相应的柱图。
study_information1= study_information.groupby(by='course_id',as_index=False)['user_id'].count()
study_information1['num'] = study_information1['user_id']
study_information2 = study_information1[['course_id','num']]
study_information2.head()
|
course_id |
num |
0 |
课程0 |
2 |
1 |
课程1 |
4 |
2 |
课程10 |
35 |
3 |
课程100 |
5 |
4 |
课程101 |
482 |
选课人数分析
study_information2['num'].sum()
190736
num1 = study_information2[(study_information2.num > 10000)]['num'].sum()
print('选课人数10000以上:',num1)
print('选课人数占比:',num1/190736)
选课人数10000以上: 13265
选课人数占比: 0.06954638872577804
num2 = study_information2[(study_information2.num > 5000) & (study_information2.num < 10000)]['num'].sum()
print('选课人数5000-10000:',num2)
print('选课人数占比:',num2/190736)
选课人数5000-10000: 53968
选课人数占比: 0.2829460615720158
num3 = study_information2[(study_information2.num > 1000) & (study_information2.num < 5000)]['num'].sum()
print('选课人数1000-5000:',num3)
print('选课人数占比:',num3/190736)
选课人数1000-5000: 89075
选课人数占比: 0.4670067527891955
num4 = study_information2[(study_information2.num > 500) & (study_information2.num < 1000)]['num'].sum()
print('选课人数500-1000:',num4)
print('选课人数占比:',num4/190736)
选课人数500-1000: 13057
选课人数占比: 0.06845587618488382
num5 = study_information2[(study_information2.num > 100) & (study_information2.num < 500)]['num'].sum()
print('选课人数100-500:',num5)
print('选课人数占比:',num5/190736)
选课人数100-500: 18819
选课人数占比: 0.09866517070715544
num6 = study_information2[(study_information2.num < 100)]['num'].sum()
print('选课人数100以下:',num6)
print('选课人数占比:',num6/190736)
选课人数100以下: 2552
选课人数占比: 0.013379750020971396
from pyecharts.charts import Pie
x_data = ["选课人数10000以上", "选课人数5000-10000", "选课人数1000-5000", "选课人数500-1000", "选课人数100-500","选课人数100以下"]
y_data = [13265, 53968, 89075, 13057, 18819,2552]
c = (
Pie()
.add("", [list(z) for z in zip(x_data, y_data)],radius=["30%", "70%"]) # zip函数两个部分组合在一起list(zip(x,y))-----> [(x,y)]
.set_global_opts(
title_opts=opts.TitleOpts(title="课程参与人数分析"), # 标题
toolbox_opts=opts.ToolboxOpts(), # 工具箱
legend_opts=opts.LegendOpts(orient="vertical", pos_top="10%", pos_left="80%")) #图例设置
.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}")) # 数据标签设置
)
c.render_notebook()
课程受欢迎程度分析
study_information2.describe()
|
num |
count |
239.000000 |
mean |
798.058577 |
std |
1746.098741 |
min |
1.000000 |
25% |
18.500000 |
50% |
138.000000 |
75% |
458.500000 |
max |
13265.000000 |
study_information2['y'] = (study_information2['num']-1)/13624
study_information2 = study_information2.sort_values(by='y',ascending=False)
study_information3 = study_information2.iloc[0:10,:]
study_information3
|
course_id |
num |
y |
214 |
课程76 |
13265 |
0.973576 |
166 |
课程31 |
9521 |
0.698767 |
79 |
课程17 |
8505 |
0.624193 |
103 |
课程191 |
7126 |
0.522974 |
91 |
课程180 |
6223 |
0.456694 |
188 |
课程52 |
6105 |
0.448033 |
169 |
课程34 |
5709 |
0.418967 |
81 |
课程171 |
5437 |
0.399002 |
187 |
课程50 |
5342 |
0.392029 |
24 |
课程12 |
4829 |
0.354375 |
x_data = list(study_information3['course_id'])
y_data_line = list(study_information3['y'])
line = (Line()
.add_xaxis(x_data)
.add_yaxis('课程参与百分比', y_data_line)
.set_global_opts(
title_opts=opts.TitleOpts(title="课程受欢迎程度分析"), # 标题
toolbox_opts=opts.ToolboxOpts() # 工具箱
)
.set_series_opts(
# 为了不影响标记点,这里把标签关掉
label_opts=opts.LabelOpts(is_show=False))
)
line.render_notebook()
x_data = list(study_information3['course_id'])
y_data_line = list(round(study_information3['y'],2))
c = (
Pie()
.add("", [list(z) for z in zip(x_data, y_data_line)],
center=['45%', '55%'],radius=["25%", "70%"],rosetype="area") # zip函数两个部分组合在一起list(zip(x,y))-----> [(x,y)]
.set_global_opts(
title_opts=opts.TitleOpts(title="课程受欢迎程度分析"), # 标题
toolbox_opts=opts.ToolboxOpts(), # 工具箱
legend_opts=opts.LegendOpts(orient="vertical", pos_top="10%", pos_left="80%")) #图例设置
.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{c}")) # 数据标签设置
)
c.render_notebook()
任务 3.2
根据用户选择课程情况,构建用户和课程的关系表(二元矩阵),使用基于物品的协同过滤算法计算课程之间的相似度,并结合用户已选课程的记录,为总学习进度最高的 5 名用户推荐 3 门课程。
构建用户和课程的关系表(二元矩阵)
study_information['num'] =1
study_information4 = study_information[['user_id','course_id','num']]
study_information5 = study_information4.pivot(index='user_id',columns='course_id',values='num').fillna(0)
study_information5
course_id |
课程0 |
课程1 |
课程10 |
课程100 |
课程101 |
课程102 |
课程103 |
课程104 |
课程105 |
课程106 |
... |
课程9 |
课程90 |
课程91 |
课程92 |
课程93 |
课程94 |
课程95 |
课程97 |
课程98 |
课程99 |
user_id |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
用户10 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
... |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
用户100 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
... |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
用户10000 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
... |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
用户10001 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
... |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
用户10002 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
... |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
用户9993 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
... |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
用户9994 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
... |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
用户9995 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
... |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
用户9996 |
0.0 |
0.0 |
0.0 |
0.0 |
1.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
... |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
用户9999 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
... |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
40373 rows × 239 columns
物品的协同过滤算法
from sklearn.metrics import jaccard_score
items = study_information5.columns
from sklearn.metrics.pairwise import pairwise_distances
# 计算课程间相似度
course_similar = 1 - pairwise_distances(study_information5.T.values,metric="jaccard")
course_similar = pd.DataFrame(course_similar, columns=items, index=items)
course_similar
course_id |
课程0 |
课程1 |
课程10 |
课程100 |
课程101 |
课程102 |
课程103 |
课程104 |
课程105 |
课程106 |
... |
课程9 |
课程90 |
课程91 |
课程92 |
课程93 |
课程94 |
课程95 |
课程97 |
课程98 |
课程99 |
course_id |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
课程0 |
1.000000 |
0.500000 |
0.027778 |
0.400000 |
0.000000 |
0.666667 |
1.000000 |
1.000000 |
0.250000 |
0.000000 |
... |
1.000000 |
0.000000 |
0.000000 |
0.000000 |
0.000000 |
0.001934 |
0.008621 |
0.005556 |
0.003484 |
0.005291 |
课程1 |
0.500000 |
1.000000 |
0.026316 |
0.285714 |
0.002062 |
0.400000 |
0.500000 |
0.500000 |
0.166667 |
0.000000 |
... |
0.500000 |
0.000000 |
0.000000 |
0.000000 |
0.000000 |
0.001931 |
0.008475 |
0.011050 |
0.005217 |
0.010526 |
课程10 |
0.027778 |
0.026316 |
1.000000 |
0.052632 |
0.001938 |
0.027027 |
0.027778 |
0.027778 |
0.027027 |
0.002475 |
... |
0.027778 |
0.000000 |
0.000000 |
0.028571 |
0.000000 |
0.031853 |
0.171875 |
0.086294 |
0.032203 |
0.087805 |
课程100 |
0.400000 |
0.285714 |
0.052632 |
1.000000 |
0.002058 |
0.600000 |
0.400000 |
0.400000 |
0.142857 |
0.000000 |
... |
0.400000 |
0.000000 |
0.000000 |
0.000000 |
0.000000 |
0.003865 |
0.016949 |
0.010989 |
0.006957 |
0.015789 |
课程101 |
0.000000 |
0.002062 |
0.001938 |
0.002058 |
1.000000 |
0.000000 |
0.000000 |
0.000000 |
0.000000 |
0.000000 |
... |
0.000000 |
0.000000 |
0.000000 |
0.002075 |
0.000000 |
0.014047 |
0.003361 |
0.021638 |
0.067745 |
0.021341 |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
课程94 |
0.001934 |
0.001931 |
0.031853 |
0.003865 |
0.014047 |
0.001932 |
0.001934 |
0.001934 |
0.000965 |
0.120511 |
... |
0.001934 |
0.000967 |
0.000000 |
0.000967 |
0.000967 |
1.000000 |
0.092205 |
0.034983 |
0.145299 |
0.037351 |
课程95 |
0.008621 |
0.008475 |
0.171875 |
0.016949 |
0.003361 |
0.008547 |
0.008621 |
0.008621 |
0.008547 |
0.000000 |
... |
0.008621 |
0.008696 |
0.000000 |
0.000000 |
0.000000 |
0.092205 |
1.000000 |
0.076923 |
0.063272 |
0.082143 |
课程97 |
0.005556 |
0.011050 |
0.086294 |
0.010989 |
0.021638 |
0.005525 |
0.005556 |
0.005556 |
0.005525 |
0.001825 |
... |
0.005556 |
0.005587 |
0.000000 |
0.005587 |
0.000000 |
0.034983 |
0.076923 |
1.000000 |
0.261307 |
0.882051 |
课程98 |
0.003484 |
0.005217 |
0.032203 |
0.006957 |
0.067745 |
0.003478 |
0.003484 |
0.003484 |
0.001736 |
0.040794 |
... |
0.003484 |
0.001742 |
0.001742 |
0.000000 |
0.001742 |
0.145299 |
0.063272 |
0.261307 |
1.000000 |
0.261589 |
课程99 |
0.005291 |
0.010526 |
0.087805 |
0.015789 |
0.021341 |
0.010582 |
0.005291 |
0.005291 |
0.005263 |
0.001795 |
... |
0.005291 |
0.005319 |
0.000000 |
0.005319 |
0.000000 |
0.037351 |
0.082143 |
0.882051 |
0.261589 |
1.000000 |
239 rows × 239 columns
topN_items = {}
# 遍历每一行数据
for i in course_similar.index:
# 取出每一列数据,并删除自身,然后排序数据
_df = course_similar.loc[i].drop([i])
_df_sorted = _df.sort_values(ascending=False)
top2 = list(_df_sorted.index[:3])
topN_items[i] = top2
topN_items = pd.DataFrame(topN_items,columns=items)
topN_items
course_id |
课程0 |
课程1 |
课程10 |
课程100 |
课程101 |
课程102 |
课程103 |
课程104 |
课程105 |
课程106 |
... |
课程9 |
课程90 |
课程91 |
课程92 |
课程93 |
课程94 |
课程95 |
课程97 |
课程98 |
课程99 |
0 |
课程41 |
课程142 |
课程140 |
课程102 |
课程71 |
课程84 |
课程0 |
课程0 |
课程0 |
课程109 |
... |
课程0 |
课程205 |
课程45 |
课程30 |
课程234 |
课程117 |
课程38 |
课程99 |
课程7 |
课程97 |
1 |
课程103 |
课程0 |
课程3 |
课程208 |
课程216 |
课程0 |
课程104 |
课程103 |
课程103 |
课程124 |
... |
课程103 |
课程228 |
课程44 |
课程28 |
课程233 |
课程118 |
课程161 |
课程87 |
课程6 |
课程87 |
2 |
课程104 |
课程104 |
课程2 |
课程84 |
课程236 |
课程81 |
课程81 |
课程81 |
课程104 |
课程113 |
... |
课程81 |
课程230 |
课程7 |
课程88 |
课程232 |
课程167 |
课程42 |
课程85 |
课程85 |
课程85 |
3 rows × 239 columns
rs_results = {}
# 构建推荐结果
for user in study_information5.index: # 遍历所有用户
rs_result = set()
for item in study_information5.loc[user].replace(0,np.nan).dropna().index: # 取出每个用户当前已购物品列表
# 根据每个物品找出最相似的TOP-N物品,构建初始推荐结果
rs_result = rs_result.union(topN_items[item])
# 过滤掉用户已购的物品
rs_result = list(study_information5.loc[user].replace(0,np.nan).dropna().index)
# 添加到结果中
rs_results[user] = rs_result
rs_results1 = pd.DataFrame.from_dict([rs_results])
rs_results1
|
用户10 |
用户100 |
用户10000 |
用户10001 |
用户10002 |
用户10003 |
用户10004 |
用户10005 |
用户10006 |
用户10007 |
... |
用户9989 |
用户999 |
用户9990 |
用户9991 |
用户9992 |
用户9993 |
用户9994 |
用户9995 |
用户9996 |
用户9999 |
0 |
[课程143, 课程76] |
[课程12] |
[课程76] |
[课程76] |
[课程76] |
[课程50, 课程52] |
[课程76] |
[课程76] |
[课程76] |
[课程188] |
... |
[课程76] |
[课程174, 课程210] |
[课程76] |
[课程76] |
[课程193] |
[课程76] |
[课程76] |
[课程76] |
[课程101, 课程12, 课程16, 课程216, 课程71] |
[课程76] |
1 rows × 40373 columns
为总学习进度最高的 5 名用户推荐 3 门课程
study_information['shichang'] = study_information['learn_process'].str.replace(r'[^0-9]', '')
study_information['shichang'] = pd.to_numeric(study_information['shichang'],errors='coerce')
study_information.head()
|
user_id |
course_id |
course_join_time |
learn_process |
price |
num |
shichang |
0 |
用户3 |
课程106 |
2020-04-21 10:11:50 |
width: 0%; |
0.0 |
1 |
0 |
1 |
用户3 |
课程136 |
2020-03-05 11:44:36 |
width: 1%; |
0.0 |
1 |
1 |
2 |
用户3 |
课程205 |
2018-09-10 18:17:01 |
width: 63%; |
0.0 |
1 |
63 |
3 |
用户4 |
课程26 |
2020-03-31 10:52:51 |
width: 0%; |
319.0 |
1 |
0 |
4 |
用户4 |
课程34 |
2020-03-31 10:52:49 |
width: 0%; |
299.0 |
1 |
0 |
#study_information1 = study_information.groupby(by='user_id',as_index=False)['shichang'].mean()
study_information6 = study_information.groupby(by='user_id',as_index=False)['shichang'].sum()
study_information7 = study_information6.sort_values(by='shichang',ascending=False)
study_information7.head(5)
|
user_id |
shichang |
1951 |
用户1193 |
5238 |
3880 |
用户13841 |
3942 |
23191 |
用户32684 |
3291 |
27568 |
用户36989 |
2960 |
15284 |
用户24985 |
2951 |
user_tuijian = rs_results1[['用户1193','用户13841','用户32684','用户36989','用户24985']]
user_tuijian
|
用户1193 |
用户13841 |
用户32684 |
用户36989 |
用户24985 |
0 |
[课程12, 课程130, 课程132, 课程133, 课程135, 课程141, 课程14... |
[课程12, 课程130, 课程132, 课程133, 课程135, 课程143, 课程14... |
[课程130, 课程132, 课程133, 课程134, 课程135, 课程141, 课程1... |
[课程130, 课程132, 课程133, 课程134, 课程135, 课程141, 课程1... |
[课程10, 课程130, 课程132, 课程133, 课程134, 课程135, 课程14... |
任务 3.3
在任务 3.1 和任务 3.2 的基础上,结合用户学习进度数据,分析付费课程和免费课程的差异,给出线上课程的综合推荐策略。
study_information_shichang = study_information.groupby(by='course_id',as_index=False)['shichang'].mean()
study_information_shichang['shichang'] = study_information_shichang['shichang']/100
study_information_price = study_information.groupby(by='course_id',as_index=False)['price'].mean()
study_information_price2 = study_information_price.sort_values(by='price',ascending=True)
study_information_price2 = study_information_price2[study_information_price2['price']>0]
result = pd.merge(study_information_price2, study_information_shichang,on='course_id')
result = result.groupby(by='price',as_index=False)['shichang'].mean()
result.head()
|
price |
shichang |
0 |
29.0 |
0.081564 |
1 |
49.0 |
0.397283 |
2 |
59.0 |
0.053457 |
3 |
79.0 |
0.147661 |
4 |
99.0 |
0.111417 |
from pyecharts.globals import ThemeType
x_data = list(result['price'])
y_data = list(result['shichang'])
bar = (Bar()
#init_opts=opts.InitOpts(theme=ThemeType.VINTAGE)) # 设置主题
.add_xaxis(x_data)
.add_yaxis('学习进度', y_data)
.set_colors(["#6C7C98"]) # 柱子的颜色
#.reversal_axis() # xy轴交换
.set_global_opts(
title_opts=opts.TitleOpts(title="课程价格与学习进度关系"), # 标题
toolbox_opts=opts.ToolboxOpts(), # 工具箱
datazoom_opts=opts.DataZoomOpts(range_start=0,range_end=100) # 横轴缩放
)
.set_series_opts(
# 为了不影响标记点,这里把标签关掉
label_opts=opts.LabelOpts(is_show=False))
)
bar.render_notebook()