基于Python的电商用户行为分析与个性化推荐系统（毕业设计）

随着电子商务的快速发展，某电商平台积累了海量用户行为数据。本项目旨在通过数据分析技术挖掘用户行为模式，构建个性化推荐系统，提高平台转化率和用户满意度。

攻城狮_Dream

1570人浏览 · 2025-04-06 21:26:49

攻城狮_Dream · 2025-04-06 21:26:49 发布

基于Python的电商用户行为分析与个性化推荐系统（毕业设计）

在这里插入图片描述

1. 选题背景与意义

随着电子商务的快速发展，某电商平台积累了海量用户行为数据。本项目旨在通过数据分析技术挖掘用户行为模式，构建个性化推荐系统，提高平台转化率和用户满意度。研究具有以下价值：

实践完整的数据分析流程
应用机器学习算法解决实际问题
探索推荐系统在电商领域的应用

2. 数据集说明

使用Kaggle公开数据集（包含10万条用户行为记录）：

import pandas as pd
data = pd.read_csv('ecommerce_behavior.csv')
print(data.info())

# 数据字段：
# user_id, item_id, category_id, behavior_type, timestamp
# 其中behavior_type包含：pv（浏览）、cart（加购）、fav（收藏）、buy（购买）

3. 数据分析流程设计

3.1 技术路线图

3.2 工具选择

数据处理：Pandas, NumPy
可视化：Matplotlib, Seaborn
机器学习：Scikit-learn, Surprise
开发环境：Jupyter Notebook, VS Code

4. 数据预处理

4.1 数据清洗

# 处理缺失值
data.dropna(inplace=True)

# 转换时间格式
data['datetime'] = pd.to_datetime(data['timestamp'], unit='s')
data['hour'] = data['datetime'].dt.hour
data['weekday'] = data['datetime'].dt.weekday

# 删除异常值
q1 = data['user_id'].value_counts().quantile(0.25)
q3 = data['user_id'].value_counts().quantile(0.75)
iqr = q3 - q1
valid_users = data['user_id'].value_counts()[
    (data['user_id'].value_counts() >= q1 - 1.5*iqr) & 
    (data['user_id'].value_counts() <= q3 + 1.5*iqr)
].index
data = data[data['user_id'].isin(valid_users)]

4.2 特征工程

# 用户行为特征提取
user_features = data.groupby('user_id').agg({
    'item_id': 'count',
    'behavior_type': lambda x: (x=='buy').sum()
}).rename(columns={
    'item_id': 'total_actions',
    'behavior_type': 'purchase_count'
})

# 商品热度特征
item_features = data.groupby('item_id').agg({
    'user_id': 'count',
    'behavior_type': lambda x: (x=='buy').sum()
}).rename(columns={
    'user_id': 'view_count',
    'behavior_type': 'purchase_count'
})
item_features['conversion_rate'] = item_features['purchase_count']/item_features['view_count']

5. 探索性数据分析（EDA）

5.1 用户行为分析

import matplotlib.pyplot as plt
import seaborn as sns

# 用户行为类型分布
plt.figure(figsize=(10,6))
sns.countplot(x='behavior_type', data=data)
plt.title('用户行为类型分布')
plt.show()

# 用户活跃时段分析
plt.figure(figsize=(12,6))
data['hour'].value_counts().sort_index().plot(kind='bar')
plt.title('不同时段的用户活跃度')
plt.xlabel('小时')
plt.ylabel('行为次数')
plt.show()

5.2 商品类别分析

# 商品类别购买转化率TOP10
category_conversion = data[data['behavior_type']=='buy'].groupby('category_id').size() / \
                   data.groupby('category_id').size()
category_conversion.sort_values(ascending=False).head(10).plot(kind='barh')

6. 推荐系统建模

6.1 协同过滤算法实现

from surprise import Dataset, Reader, KNNBasic
from surprise.model_selection import train_test_split

# 准备数据
reader = Reader(rating_scale=(0, 1))
df = data[data['behavior_type']=='buy'][['user_id', 'item_id']]
df['rating'] = 1  # 购买行为设为1分
data_surprise = Dataset.load_from_df(df, reader)

# 划分训练测试集
trainset, testset = train_test_split(data_surprise, test_size=0.2)

# 构建模型
sim_options = {
    'name': 'cosine',
    'user_based': False  # 基于物品的协同过滤
}
model = KNNBasic(sim_options=sim_options)
model.fit(trainset)
predictions = model.test(testset)

6.2 模型评估

from surprise import accuracy

# 计算RMSE
accuracy.rmse(predictions)

# 计算精确率@K
def precision_at_k(predictions, k=10):
    top_k = {}
    for uid, iid, true_r, est, _ in predictions:
        if uid not in top_k:
            top_k[uid] = []
        top_k[uid].append((iid, est))
    
    for uid, user_ratings in top_k.items():
        user_ratings.sort(key=lambda x: x[1], reverse=True)
        top_k[uid] = [iid for (iid, _) in user_ratings[:k]]
    
    return sum(1 for (uid, _) in predictions if predictions[uid][0] in top_k[uid]) / len(predictions)

7. 系统实现与可视化

7.1 用户界面设计

import streamlit as st

def main():
    st.title('电商个性化推荐系统')
    user_id = st.selectbox('选择用户ID', df['user_id'].unique())
    
    if st.button('生成推荐'):
        # 获取用户未购买过的商品
        purchased_items = set(df[df['user_id']==user_id]['item_id'])
        all_items = set(df['item_id'])
        unseen_items = list(all_items - purchased_items)
        
        # 预测评分
        predictions = [model.predict(user_id, item_id) for item_id in unseen_items]
        recommendations = sorted(predictions, key=lambda x: x.est, reverse=True)[:10]
        
        # 显示结果
        st.subheader('为您推荐以下商品：')
        for rec in recommendations:
            st.write(f"商品ID: {rec.iid}, 预测评分: {rec.est:.3f}")

if __name__ == '__main__':
    main()