image.png

备注：
分析工具：anaconda上写python，画图用到pyecharts，所以后续的内容都是先一块代码，再一块图或者文字描述。

一、熟悉数据

不急着上模型，调参数，先熟悉下数据。

这是一个手机游戏的客户数据，注册个账号玩了一下。
有什么类型的feature：user_id、注册时间、游戏资源（木头、石头、象牙、肉、魔法等）、兵种（勇士、驯兽师、萨满）、加速券（通用、建筑、科研、训练、治疗）、建筑、科研、PVP（玩家对战）、PVE（人机对战）、在线时长、付费金额、付费次数。这些都是注册前7天的信息
label：前45天的付费金额。

问几个问题先：

user_id在train和test中有没重复？
数据在时间上的分布？
有多少付费玩家，会给多少钱，分布如何？比例随时间的变化？
在线时长如何？
单次付费有什么额度的？

1、user_id在train和test中有没重复？

# 读取数据
data = pd.read_csv("tap_fun_train.csv", parse_dates=True)
data_test = pd.read_csv("tap_fun_test.csv", parse_dates=True)

# 提取user_id列，并做合并处理
data_id = pd.DataFrame(data['user_id'],columns=['user_id'])
data_test_id = pd.DataFrame(data_test['user_id'],columns=['user_id'])
pd.merge(data_id, data_test_id, on = 'user_id')

image.png

没有重复的user_id，就是检查下，不要多想，哈哈！

2、玩家注册时间分布

# 增加两列
data['register_time_month'] = data.register_time.str[:7]
data['register_time_day'] = data.register_time.str[6:10]

# 统计并保存为dataframe
data_month_df = pd.DataFrame(data['register_time_month'].value_counts()).sort_index()
# print(data_month_df)
data_day_df = pd.DataFrame(data['register_time_day'].value_counts()).sort_index()
# print(data_day_df)

# 画图  用了echarts的python版，挺好用的，也美观
from pyecharts import Line, Grid

line1 = Line("玩家数量统计-月")
line1.add("玩家数量", data_month_df.index, data_month_df['register_time_month'], mark_line=["average"], mark_point=["max", "min"])

line2 = Line("玩家数量统计-日",title_top="50%")
line2.add("玩家数量", data_day_df.index, data_day_df['register_time_day'], mark_line=["average"], mark_point=["max", "min"])

grid = Grid(width = 1000, height = 1000)
grid.add(line1, grid_bottom="60%")
grid.add(line2, grid_top="60%")
grid.render()

grid

image.png

月数据：不完整的，1月是从26号开始的数据，3月只有到6号的数据。
日数据：平均每天注册人数有5.7万人，挺多的啊。其中2月19号有11.7万人注册，是平时的两倍，20号还有9.3万人注册，有推广活动吗？但是整体趋势上，注册用户是下降的。

3、有多少付费玩家，比例随时间的变化，会给多少钱，分布如何？

1. 有多少付费玩家？

data_pay_7 = copy.copy(data[data['pay_price']>0])
print(data_pay_7.shape)   # (41439, 111)
print(data_pay_7.shape[0]/data.shape[0])  # 0.018111395638212645

七天内付费的玩家有41439个，占比大概是1.811%。

2. 付费玩家比例随时间的变化

# ----------------------------- 统计，改列明（避免冲突），合并，计算比例
data_pay_7_day_df = pd.DataFrame(data_pay_7['register_time_day'].value_counts()).sort_index()
# print(data_pay_7_day_df)
data_pay_7_day_df.rename(columns={'register_time_day':'pay_register_time_day'}, inplace = True)
data_day_count = pd.concat([data_pay_7_day_df, data_day_df], axis=1)
# print(data_day_count)
data_day_count['pay_percent'] = data_day_count['pay_register_time_day']/data_day_count['register_time_day']
# print(data_day_count)

# ----------------------------- 画图
from pyecharts import Overlap

line3 = Line()
line3.add("注册玩家数量", data_day_count.index, data_day_count['register_time_day'], mark_line=["average"], mark_point=["max", "min"])

line4 = Line()
line4.add("7天内付费玩家数量", data_day_count.index, data_day_count['pay_register_time_day'], mark_line=["average"], 
          mark_point=["max", "min"], yaxis_max=3000)

overlap = Overlap()
# 默认不新增 x y 轴，并且 x y 轴的索引都为 0
overlap.add(line3)
# 新增一个 y 轴，此时 y 轴的数量为 2，第二个 y 轴的索引为 1（索引从 0 开始），所以设置 yaxis_index = 1
# 由于使用的是同一个 x 轴，所以 x 轴部分不用做出改变
overlap.add(line4, yaxis_index=1, is_add_yaxis=True)
overlap.render()

overlap

image.png


from pyecharts import Bar, Overlap

line3 = Line()
line3.add("注册玩家数量", data_day_count.index, data_day_count['register_time_day'], mark_line=["average"], mark_point=["max", "min"])

bar = Bar()
bar.add("7天内付费玩家比例", data_day_count.index, data_day_count['pay_percent'], yaxis_max=0.1)


overlap = Overlap()
# 默认不新增 x y 轴，并且 x y 轴的索引都为 0
overlap.add(line3)
# 新增一个 y 轴，此时 y 轴的数量为 2，第二个 y 轴的索引为 1（索引从 0 开始），所以设置 yaxis_index = 1
# 由于使用的是同一个 x 轴，所以 x 轴部分不用做出改变
overlap.add(bar, yaxis_index=1, is_add_yaxis=True)
overlap.render()

overlap

image.png

注册用户的7天付费占比平均值是1.811%，分拆到每天的注册用户中，有起伏，但是波动不算大。
反而是某天（2月1、7、8、15、19、20号等）的注册用户越多，成功转化付费的好像不会“水涨船高”，也就是付费的还是那么多，促销回来的客户还是不付费？

3. 会给多少钱

data_pay_45 = copy.copy(data[data['prediction_pay_price']!=0])
print(data_pay_45['prediction_pay_price'].describe())
print('前45天合共付费：',data_pay_45['prediction_pay_price'].sum())

image.png

(上图)有4.6万客户前45天付款了，合计给了410万，最土豪的花了3.3万，土豪你不懂。

data_pay_7 = copy.copy(data[data['pay_price']!=0])
print(data_pay_7['pay_price'].describe())
print('前7天合共付费：',data_pay_7['pay_price'].sum())  
print('前45天合共付费：',data_pay_7['prediction_pay_price'].sum())

image.png

(上图)有4.14万客户前7天就有付款行为了，占了4.6万的90.1%（有9.9%前七天没给钱，后来给了）；
前七天合计花了122万，前45天花了391.7万，占4.6万客户前45天总付款410万的95.5%。

data_nopay_7_pay_45 = copy.copy(data_pay_45[data_pay_45['pay_price']==0])
print(data_nopay_7_pay_45['prediction_pay_price'].describe())
print('前七天没有，后45天有付款的合共付费：',data_nopay_7_pay_45['prediction_pay_price'].sum())

image.png

(上图)有4549个客户前7天没付款，但是前45天付款的，占了9.9%，金额18.6万，占比4.53%。

data_pay_7_nopay_45 = copy.copy(data_pay_7[data_pay_7['pay_price']==data_pay_7['prediction_pay_price']])
print(data_pay_7_nopay_45['pay_price'].describe())
print(data_pay_7_nopay_45['pay_count'].describe())
print('前7天合共付费：',data_pay_7_nopay_45['pay_price'].sum())  
print('前7天给钱了，但是后面45天不再给钱的：',data_pay_7_nopay_45.shape[0])

image.png

(上图)前7天付款后，45天内不再付款的有3万，占4.6万的65.5%。前7天付费34.4万，占前七天的28.1%，占前45天410万的8.4%。---（放弃不玩了？）

data_pay_7_pay_45 = copy.copy(data_pay_7[data_pay_7['pay_price']<data_pay_7['prediction_pay_price']])
print(data_pay_7_pay_45['pay_price'].describe())
print(data_pay_7_pay_45['pay_count'].describe())
print('前7天合共付费：',data_pay_7_pay_45['pay_price'].sum())  
print('前45天合共付费：',data_pay_7_pay_45['prediction_pay_price'].sum())  
print('前7天给钱了，后面45天继续给钱的：',data_pay_7_pay_45.shape[0])

image.png

(上图)前7天付款，后面继续付款的，有1.13万，占4.6万的25%，付款占410万的87.1%，而且在7天内比较快的付款第二次了。

还是来个总结性的图吧。
小结：红色字体才是核心人群啊。

image.png

4、在线时长如何？

data['avg_online_minutes'].describe()

image.png

(上图)整体来说，在线时长75%在5分钟内，看来都是下载看一下就不玩了。

data_pay = copy.copy(data[data['pay_price']!=0])
# data_pay.shape
data_pay['avg_online_minutes'].describe()

image.png

(上图)付费用户平均在线140分钟，除以7天，每天在线20分钟。

5、单次付费有什么额度的？

data_once = copy.copy(data[data['pay_count']==1])
# data_once.shape  
data_once.groupby("pay_price")["pay_count"].sum()

image.png

付费次数只有一次的客户，可以看出有几种单词付费的额度，都是0.99结尾。

6、研究评估标准。

评分标准是RMSE，均方根误差

如果有一个土豪客户是付费15000，但是模型只猜测是付费1000，那么(15000-1000)^2/828934=236，开根号得到15.38，一个土豪客户的误判，就可以令评分标准飙升。
如果客户是给0.99的，但是预判了1.99，那么(1.99-0.99)^2=1，开根号也是1，如果每个客户都误判1元，RMSE也就+1。

成败看土豪？？？

image.png

7、 test数据集

3月10号有类似2月19号的推广活动？

image.png

消费分布跟train值非常类似。

image.png

20180806更新...

游戏玩家付费金额预测大赛-预处理

游戏玩家付费金额预测大赛-预处理

一、熟悉数据

1、user_id在train和test中有没重复？

2、玩家注册时间分布

3、有多少付费玩家，比例随时间的变化，会给多少钱，分布如何？

1. 有多少付费玩家？

2. 付费玩家比例随时间的变化

3. 会给多少钱

4、在线时长如何？

5、单次付费有什么额度的？

6、研究评估标准。

7、 test数据集

推荐阅读更多精彩内容

游戏玩家付费金额预测大赛-预处理

一、熟悉数据

1、user_id在train和test中有没重复？

2、 玩家注册时间分布

3、 有多少付费玩家，比例随时间的变化，会给多少钱，分布如何？

1. 有多少付费玩家？

2. 付费玩家比例随时间的变化

3. 会给多少钱

4、 在线时长如何？

5、 单次付费有什么额度的？

6、 研究评估标准。

7、 test数据集

推荐阅读更多精彩内容

2、玩家注册时间分布

3、有多少付费玩家，比例随时间的变化，会给多少钱，分布如何？

4、在线时长如何？

5、单次付费有什么额度的？

6、研究评估标准。