前言

当我们谈论关于APP用户分析与电子商务之间的联系时，机器学习在这两个领域的应用变得至关重要。App用户分析和电子商务之间存在着密切的关联，因为用户行为和偏好的深入理解对于提高用户体验、增加销售以及优化产品功能至关重要。故本文基于K-近邻模型、贝叶斯模型和自适应提升模型对：基于已爬取的APP数据（例如：APP类型、APP安装人数、APP评论内容等等）的分析来预测该APP是否为一个好的APP。

数据介绍与预处理

从前，手机app少，但经典，现在，app多了，但混杂（多仿品），有很多因素影响用户去下载app，评分就是很重要的参考。那么问题来了：在无法参透某平台app评分算法的奥义之前，能否预测一下app的评分呢（简化之，app好评是1，差评为0）？

train.csv：训练集，7728 rows × 10 columns， 列属性包含：App， Category， Reviews， Size， Installs(安装量)， Type， Price， ContentRating(评论的人员)， Last Updated(上次更新的日期)， Y（是否为好评，1为好评，0为非好评）， 行为7728个APP样本。

首先导入数据分析必要的包：

随后通过发现有的特征数据格式或者单位没有统一，特征变量全部为object，故要做进一步处理。

针对“Size”变量的单位不统一的原因，故定义一个条件判断函数，将其单位统一：

观察变量，继续进行预处理：

处理完成之后再次查看数据情况：

随后进行描述性统计分析

从上图中可以看出，对于训练集的和测试集描述性统计，对各个特征变量的计数、均值、标准差、最大最小值，以及分位数均进行了展示。

随后推断数据类型，让数据更规范以及查看数据的基础信息，结果如下（仍是以训练数据集为例），这一步是为了对特征分析和模型建立作准备。

接下来对数据缺失值进行确认，首先导入缺失值可视化missingno包，该包可以很直观的看出每个特征的缺失程度，故可以很好的对特征进行筛选，可视化结果如下，在每个特征中白色越多就表明数据越缺失。由于在上文中在进行了数据缺失值的处理，故在下面的可视化中只是更直观的确认一下训练集和测试集（测试集在此不作展示）中是否还有缺失值的存在。

然后需要对数据进一步细化处理，要把数据分为数值型和其他类型来看。分布进行处理，例如对于分类型变量，则通过独热编码进行处理。

首先查看数值型变量数据：

填充缺失值，缺失值有很多填充方式，可以用中位数，均值，众数。也可以就采用那一行前面一个或者后面一个有效值去填充空的。

通过探索性数据分析，我们对字符类型特征值与数字类型特征值与Y的关系有了较深的了解，同时观察到投资收入与投资损失的数据特征，因此在进行模型构造前，首先需要对特征值进行一定的处理以实现机器学习算法的高效利用。

在处理完特征变量之后，对响应变量的分布也要考察，若存在异常值的情况也会对模型的泛化能力有影响，在此画出响应变量的箱线图、直方图和和核密度图，如下图：

随后对特征变量进行相关系数的计算以及热力图的展示，如下图：

机器学习预测

选取数据集的80%为训练集，20%为测试集进行下一步的预测与检验，为了保证程序每次运行都分割一样的训练集和测试集，设置random_state为0。

结论

本文基于探索性数据分析对APP评分的预测问题进行数据加载、数据清洗以及数据可视化操作。其中预处理包括处理数据的格式问题，以及统一数据的单位，填充数据的缺失值问题，通过数据预处理工作之后，整体数据变为较为整洁。上述数据分析完成了机器学习中的数据预处理部分，数据分析所得结论具有应用意义。....
部分代码
 

import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt 
import seaborn as sns 
%matplotlib inline
plt.rcParams['font.sans-serif'] = ['KaiTi']  #中文
plt.rcParams['axes.unicode_minus'] = False   #负号

df=pd.read_csv('train.csv') 
df.head()
df.info()

df=df.fillna(method='pad')  #前一个有效值进行填充
df.loc[df[df['Type']=='0'].index,'Type']=df['Type'].mode()   #异常值使用众数填充

def check(x):
    if "M" in str(x):
        x = float(str(x).replace("M", "")) * 1000000
    elif "K" in str(x):
        x = float(str(x).replace("K", "")) * 1000
    elif "k" in str(x):
        x = float(str(x).replace("k", "")) * 1000
    elif "Varies with device" in str(x):
        x = 0
    else:
        return float(x)
    return x/1000

y.value_counts(normalize=True)

# 查看y的分布
#分类问题
plt.figure(figsize=(4,2),dpi=128)
plt.subplot(1,2,1)
y.value_counts().plot.bar(title='响应变量柱状图图')
plt.subplot(1,2,2)
y.value_counts().plot.pie(title='响应变量饼图')
plt.tight_layout()
plt.show()

#查看特征变量的箱线图分布
dis_cols = 3                   #一行几个
dis_rows = 2
plt.figure(figsize=(3*dis_cols, 2*dis_rows),dpi=128)
for i in range(5):
    plt.subplot(dis_rows,dis_cols,i+1)
    sns.kdeplot(X[X.columns[i]], color="tomato" ,shade=True)
    #plt.xlabel((y.unique().tolist()),fontsize=12)
    plt.ylabel(df.columns[i], fontsize=18)
plt.tight_layout()
plt.show()

#贝叶斯
model1 = BernoulliNB(alpha=1)
#K近邻
model2 = DecisionTreeClassifier()
#自适应提升Adaboost
model3 = RandomForestClassifier(n_estimators=1000,  max_features='sqrt',random_state=123)


model_list=[model1,model2,model3]
model_name=['二项朴素贝叶斯（伯努利）','决策树','随机森林']

数据和代码

数据代码和分析报告

创作不易，希望大家多多点赞收藏和评论！