岗厦网站建设,贵港网站建设培训,环境文化建设方案网站,国外推广网站App用户细分是根据用户与App的互动方式对用户进行分组的任务。它有助于找到保留用户#xff0c;找到营销活动的用户群#xff0c;并解决许多其他需要基于相似特征搜索用户的业务问题。这篇文章中#xff0c;将带你完成使用Python进行机器学习的App用户细分任务。
App用户细…App用户细分是根据用户与App的互动方式对用户进行分组的任务。它有助于找到保留用户找到营销活动的用户群并解决许多其他需要基于相似特征搜索用户的业务问题。这篇文章中将带你完成使用Python进行机器学习的App用户细分任务。
App用户细分
在App用户细分的问题中我们需要根据用户与App的互动方式对用户进行分组。因此为了解决这个问题我们需要根据用户如何使用App来获得有关用户的数据。
导入必要的Python库和数据集
import plotly.graph_objects as go
import plotly.express as px
import plotly.io as pio
import pandas as pd
pio.templates.default plotly_whitedata pd.read_csv(userbehaviour.csv)
print(data.head())输出 userid Average Screen Time Average Spent on App (INR) Left Review \
0 1001 17.0 634.0 1
1 1002 0.0 54.0 0
2 1003 37.0 207.0 0
3 1004 32.0 445.0 1
4 1005 45.0 427.0 1 Ratings New Password Request Last Visited Minutes Status
0 9 7 2990 Installed
1 4 8 24008 Uninstalled
2 8 5 971 Installed
3 6 2 799 Installed
4 5 6 3668 Installed 让我们先来看看所有用户的最高、最低和平均屏幕时间
print(fAverage Screen Time {data[Average Screen Time].mean()})
print(fHighest Screen Time {data[Average Screen Time].max()})
print(fLowest Screen Time {data[Average Screen Time].min()})输出
Average Screen Time 24.39039039039039
Highest Screen Time 50.0
Lowest Screen Time 0.0现在让我们来看看所有用户的最高、最低和平均支出金额
print(fAverage Spend of the Users {data[Average Spent on App (INR)].mean()})
print(fHighest Spend of the Users {data[Average Spent on App (INR)].max()})
print(fLowest Spend of the Users {data[Average Spent on App (INR)].min()})输出
Average Spend of the Users 424.4154154154154
Highest Spend of the Users 998.0
Lowest Spend of the Users 0.0现在我们来看看活跃用户和卸载了APP的用户的消费能力和屏幕时间的关系
figure px.scatter(data_frame data, xAverage Screen Time,yAverage Spent on App (INR), sizeAverage Spent on App (INR), color Status,title Relationship Between Spending Capacity and Screentime,trendlineols)
figure.show()卸载该App的用户平均每天屏幕时间不到5分钟平均花费不到100。我们还可以看到平均屏幕时间与仍在使用该App的用户的平均支出之间存在线性关系。
现在我们来看看用户给出的评分和平均屏幕时间之间的关系
figure px.scatter(data_frame data, xAverage Screen Time,yRatings, sizeRatings, color Status, title Relationship Between Ratings and Screentime,trendlineols)
figure.show()所以我们可以看到卸载该应用的用户给该应用的评分最多为5分。与评分更高的用户相比他们的屏幕时间非常低。所以这描述了那些不喜欢花更多时间的用户对App的评价很低并在某个时候卸载它。
App用户细分–查找保留和丢失的用户
现在让我们继续进行App用户细分以找到App保留和永远失去的用户。这里将使用机器学习中的K-means聚类算法来完成这项任务
clustering_data data[[Average Screen Time, Left Review, Ratings, Last Visited Minutes, Average Spent on App (INR), New Password Request]]from sklearn.preprocessing import MinMaxScaler
for i in clustering_data.columns:MinMaxScaler(i)from sklearn.cluster import KMeans
kmeans KMeans(n_clusters3)
clusters kmeans.fit_predict(clustering_data)
data[Segments] clustersprint(data.head(10))输出 userid Average Screen Time Average Spent on App (INR) Left Review \
0 1001 17.0 634.0 1
1 1002 0.0 54.0 0
2 1003 37.0 207.0 0
3 1004 32.0 445.0 1
4 1005 45.0 427.0 1
5 1006 28.0 599.0 0
6 1007 49.0 887.0 1
7 1008 8.0 31.0 0
8 1009 28.0 741.0 1
9 1010 28.0 524.0 1 Ratings New Password Request Last Visited Minutes Status Segments
0 9 7 2990 Installed 0
1 4 8 24008 Uninstalled 2
2 8 5 971 Installed 0
3 6 2 799 Installed 0
4 5 6 3668 Installed 0
5 9 4 2878 Installed 0
6 9 6 4481 Installed 0
7 2 1 1715 Installed 0
8 8 2 801 Installed 0
9 8 4 4621 Installed 0 现在让我们来看看我们得到的数据划分
printdata[“Segments”].value_counts输出
0 910
1 45
2 44
Name: Segments, dtype: int64现在让我们重命名这些数据段以便更好地理解
data[Segments] data[Segments].map({0: Retained, 1: Churn, 2: Needs Attention})进行数据可视化
PLOT go.Figure()
for i in list(data[Segments].unique()):PLOT.add_trace(go.Scatter(x data[data[Segments] i][Last Visited Minutes],y data[data[Segments] i][Average Spent on App (INR)],mode markers,marker_size 6, marker_line_width 1,name str(i)))
PLOT.update_traces(hovertemplateLast Visited Minutes: %{x} brAverage Spent on App (INR): %{y})PLOT.update_layout(width 800, height 800, autosize True, showlegend True,yaxis_title Average Spent on App (INR),xaxis_title Last Visited Minutes,scene dict(xaxisdict(title Last Visited Minutes, titlefont_color black),yaxisdict(title Average Spent on App (INR), titlefont_color black)))蓝色部分显示了App随着时间的推移保留的用户部分。红色部分表示刚刚卸载App或即将卸载App的用户部分。绿色部分表示App丢失的用户部分。
总结
这就是你如何根据用户与App的互动方式来细分用户。App用户细分可以帮助企业找到留存用户找到营销活动的用户细分并解决许多其他需要基于相似特征搜索用户的业务问题。以上是使用Python进行App用户细分的任务。
