精彩专栏推荐订阅:在 下方专栏👇🏻👇🏻👇🏻👇🏻

💖🔥作者主页:计算机毕设木哥🔥 💖

一、项目介绍

直播电商行业用户行为数据激增,但多数从业者仍凭经验判断用户偏好与流失风险,缺少数据驱动的决策工具。本文通过开发一个基于大数据的直播电商数据分析与可视化系统,用以帮助运营人员从用户画像、订单行为、营销活动、客评洞察、流失分析和用户分群六个维度理解用户特征。

系统后端采用Spark进行数据清洗与特征工程,PySpark实现K-Means聚类、FP-Growth关联规则挖掘与Isolation Forest异常检测三个算法模块,前端以Vue构建可视化大屏,展示性别年龄分布、下单间隔、优惠券使用、满意度对比、流失占比及聚类散点图等分析结果,数据经ETL后统一输出至MySQL供查询。

测试结果表明,系统能帮助运营团队快速定位高价值用户群体、识别异常流失样本、挖掘品类组合偏好,对直播电商精细化运营具有实际参考价值。

二、开发环境

  • 大数据技术:Hadoop、Spark、Hive
  • 开发技术:Python、Django框架、Vue、Echarts
  • 软件工具:Pycharm、DataGrip、Anaconda
  • 可视化 工具 Echarts

三、视频展示

基于大数据的直播电商数据分析与可视化

四、项目展示

系统页面模块展示:

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

五、代码展示

# preprocess.py - 数据清洗与中英文映射
import pandas as pd
import numpy as np

EN2CN = {
    'Gender': {'Male': '男', 'Female': '女'},
    'MaritalStatus': {'Single': '未婚', 'Married': '已婚', 'Divorced': '离异'},
    'PreferedOrderCat': {
        'Fashion': '服装', 'Grocery': '食品杂货', 'Household': '家居用品',
        'Laptop & Accessory': '笔记本及配件', 'Mobile Phone': '手机', 'Others': '其他'
    },
    'PreferredLoginDevice': {'Mobile Phone': '手机', 'Phone': '手机', 'Pad': '平板'},
    'CityTier': {1: '一线', 2: '二线', 3: '三线'},
    'AgeGroup': {1: '0-19', 2: '20-29', 3: '30-39', 4: '40-49', 5: '50-59', 6: '60+'},
}

def fill_missing(df):
    # Tenure按AgeGroup分组中位数填补
    df['Tenure'] = df.groupby('AgeGroup')['Tenure'].transform(
        lambda x: x.fillna(x.median())
    )
    # WarehouseToHome全局中位数
    df['WarehouseToHome'] = df['WarehouseToHome'].fillna(df['WarehouseToHome'].median())
    # HourSpendOnApp全局众数
    df['HourSpendOnApp'] = df['HourSpendOnApp'].fillna(df['HourSpendOnApp'].mode()[0])
    # OrderCount/OrderAmountHikeFromlastYear/CouponUsed全局中位数
    for col in ['OrderCount', 'OrderAmountHikeFromlastYear', 'CouponUsed']:
        df[col] = df[col].fillna(df[col].median())
    return df

def map_categories(df):
    for col, mapping in EN2CN.items():
        if col in df.columns:
            df[col] = df[col].map(mapping).fillna(df[col])
    return df

df = pd.read_csv('Project Dataset.csv')
df = fill_missing(df)
df = map_categories(df)
df.drop('CustomerID', axis=1, inplace=True)
df.to_csv('live_ecommerce_preprocessed_data.csv', index=False)

六、项目文档展示

在这里插入图片描述

七、总结

本课题设计并实现了一套基于大数据的直播电商数据分析与可视化系统,以5630条真实用户行为记录为数据基础,通过Spark进行ETL清洗与缺失值填补,采用PySpark实现K-Means聚类将用户划分为高价值活跃、低频沉睡等五类客群,FP-Growth挖掘偏好品类与设备性别的频繁组合,Isolation Forest定位行为偏离的异常流失样本,前端以Vue+ECharts构建大屏,覆盖用户画像、订单行为、营销活动、客评洞察、用户流失、用户分群六个分析维度。测试表明,系统能帮助运营团队快速识别高价值人群与流失风险点,验证了投诉与低满意度对流失的显著拉动作用,为直播电商精细化运营提供了可量化的数据支撑,对同类平台的用户分层与精准营销具有参考价值。

大家可以帮忙点赞、收藏、关注、评论啦👇🏻👇🏻👇🏻

💖🔥作者主页:计算机毕设木哥🔥 💖

Logo

电商企业物流数字化转型必备!快递鸟 API 接口,72 小时快速完成物流系统集成。全流程实战1V1指导,营造开放的API技术生态圈。

更多推荐