用户画像由多个用户标签中的具体标签值构成。

个性化推荐

确定核心群体

指导产品设计

用户数据标签化

用户标签（对某一类特定群体或对象的某项特征进行的抽象分类和概括，其值（标签值）具备可分类型。）

标签不一定是客观的事实

分层标签(与业务相关,要与企业,甲方互动)

分群标签(基本属性),

统计类（一定时间内的汇总或者计算得到）

时点类（直接获取）

利用python做用户画像的基础知识

数据处理(计数得到数据)

Snd#数据框.district##数据框中的一个分类变量.value_counts()#单因子Pd.crosstab##对行列进行频次分析(snd.district，snd.school，）.plot(kind=’bar’)#表分析

Snd.price.agg#集合函数([‘mean’平均数,’median’中位数,’sum’求和,’std’标准

差,’skew’偏度])##单变量描述Snd.price.groupby#分组汇总（snd.district）.sum（）snd.pivot_table(values=’price’,index=’district’,columns=’school’,aggfunc=np.mean)

作图准备

from matplotlib.pylab import mpl

mpl.rcParams['font.sans-serif'] = ['SimHei']

mpl.rcParams['axes.unicode_minus']=False

作图

1 ：Snd.district.value_counts().plot(kind=’bar’)##画出条形图（分类变量直接画）2：Pd.crosstab##对行列进行频次分析(snd.district，snd.school，）.plot(kind=’bar’) 分类柱形图 stack=ture就是堆叠柱形图（不好用，建议标准化）标准化方法snd.price.hist（bins=20）.sns.bosplot#箱线图（x=‘district’#数据框里的数据区district，y=price#数据框里的数据区，data=snd#数据框snd）#画箱线图Snd.plot.scatter#散点图(x=’AREA’,y=’price’)双头图，流量做线，存量做柱子，存在‘率’就率做线，一般做时间序列

× = list(gdp.year)GDP = list(gdp.GDP)

GDPCR = list(gdp.GDPCR)fig = plt.figure()

ax1 = fig.add_subplot(111)ax1.bar(x,GDP)

ax1.set_ylabel('GDP')

ax1.set_title("GDP of China(2000-)")

ax1.set_xlim(2000,)

ax2 = ax1.twinx()

ax2.plot(x,GDPCR,'r')

ax2.set_ylabel( 'Increase Ratio')

ax2.set_xlabel('Year')