天池新人赛-天池新人实战赛o2o优惠券使用预测（一）

　　第一次参加天池新人赛，主要目的还是想考察下自己对机器学习上的成果，以及系统化的实现一下所学的东西。看看自己的掌握度如何，能否顺利的完成一个分析工作。为之后的学习奠定基础。

　　这次成绩并不好，只是把整个机器学习的流程熟悉了下。我本人总结如下：

　　步骤一：读懂题目含义，分析赛题的数据

　　步骤二：特征工程的设计，这部分非常重要，好的特征工程能大大提高模型的准确率

　　步骤三：训练算法。区分训练集、测试集等。

　　步骤四：测试模型，看效果如何。

　　赛题可以去天池的官网查看，里面有赛题说明，赛题数据等等

　　https://tianchi.aliyun.com/getStart/introduction.htm?spm=5176.11165418.333.1.3c2e613cd1CCDk&raceId=231593

　　以下是代码部分：

　　

 import numpy as np
 import pandas as pd

 #导入数据
 train_online = pd.read_csv('ccf_online_stage1_train.csv')
 train_offline = pd.read_csv('ccf_offline_stage1_train.csv')
 test = pd.read_csv('ccf_offline_stage1_test_revised.csv')

 #将数据合并，以便统一对数据进行处理。都是线下数据
 all_offline = pd.concat([train_offline,test])

 #查看每一列的异常值
 f = lambda x:sum(x.isnull())
 all_offline.apply(f)

　　

 #Data的空值 赋值为null，统一空值的格式
 all_offline['Date'] = all_offline['Date'].fillna('null')

 #将online与offline的数据合并
 pd.merge(all_offline,train_online,on=['Merchant_id','User_id'])

 #通过合并数据，发现两者并无交集，题目要求只用线下预测，故排除线上online数据，
 #只用offline数据

 #根据赛题的要求，把正负样本标注出来
 def is_used(column):
     if column['Date']!='null' and column['Coupon_id']!='null':
         return 1
     elif column['Date']=='null' and column['Coupon_id']!='null':
         return -1
     else:
         return 0

 all_offline['is_used'] = all_offline.apply(is_used,axis=1)

 #Coupon_id 优惠券ID的具体数值意义不大，因此我们把他转换成：是否有优惠券
 def has_coup(x):
     if x['Coupon_id'] != 'null':
         return 1
     else:
         return 0

 all_offline['has_coup']=all_offline.apply(has_coup,axis=1)

 #由于Discount_rate优惠率的特殊格式:"150:20",很难使用算法来计算使用
 #根据实际情况，优惠力度是能够影响优惠券的使用频率的。因此需要对Discount_rate进行转化
 #根据Discount_rate标识出折扣率
 import re
 regex=re.compile('^\d+:\d+$')

 def discount_percent(y):
     if y['Discount_rate'] == 'null' and y['Date_received'] == 'null':
         return 'null'
     elif re.match(regex,y['Discount_rate']):
         num_min,num_max=y['Discount_rate'].split(':')
         return float(num_max)/float(num_min)
     else:
         return y['Discount_rate']

 all_offline['discount_percent'] = all_offline.apply(discount_percent,axis=1)

 #在进一步想，优惠力度会影响优惠券使用的概率，x:y这种满减的类型，x具体是多少，势必也会影响优惠券使用率
 #讲满x元的标出x元
 def discount_limit(y):
     if y['Discount_rate'] == 'null' and y['Date_received'] == 'null':
         return 'null'
     elif re.match(regex,y['Discount_rate']):
         num_min,num_max=y['Discount_rate'].split(':')
         return num_min
     else:
         return 0

 all_offline['discount_limit'] = all_offline.apply(discount_limit,axis=1)
 all_offline.head(10)

　　

 #由于赛题需要的是，优惠券领取后15天的使用概率
 #因此，我们在is_used的基础上，在对领券时间 Date_received 和使用时间Date，进行比较，判断是否在15天内使用
 #时间比较
 import datetime
 #标注15天内使用优惠券的情况
 def used_in_15days(z):
     if z['is_used'] == 1 and z['Date'] != 'null' and z['Date_received'] != 'null':
         days= (datetime.datetime.strptime(z['Date'],"%Y%m%d")-datetime.datetime.strptime(z['Date_received'],"%Y%m%d"))
         if days.days < 15:
             return 1
         else:
             return 0
     else:
         return 0

 all_offline['used_in_15days']=all_offline.apply(used_in_15days,axis=1)

 #再来观察discount_percent，discount_limit这2个特征，看数据的分布情况。
 all_offline['discount_percent'].value_counts()

　　

 all_offline['discount_limit'].value_counts()

　　

#将discount_percent分段
def discount_percent_layer(columns):
    if columns['discount_percent']=='null':
        return 'null'

    columns['discount_percent']=float(columns['discount_percent'])
    if columns['discount_percent'] <= 0.1:
        return 0.1
    elif columns['discount_percent'] <= 0.2:
        return 0.2
    elif columns['discount_percent'] <= 0.3:
        return 0.3
    elif columns['discount_percent'] <= 0.4:
        return 0.4
    else:
        return 0.5

all_offline['discount_percent_layer']=all_offline.apply(discount_percent_layer,axis=1)
all_offline['discount_percent_layer'].value_counts()

·　　

 #将discount_limit分段
 def discount_limit_layer(columns):
     if columns =='null':
         return 'null'

     columns=int(columns)
     if columns <= 10:
         return 10
     elif columns <= 20:
         return 20
     elif columns <= 30:
         return 30
     elif columns <= 50:
         return 50
     elif columns <= 100:
         return 100
     elif columns <= 200:
         return 200
     else:
         return 300

 all_offline['discount_limit_layer']=all_offline['discount_limit'].apply(discount_limit_layer)
 all_offline['discount_limit_layer'].value_counts()

　　

总结：
　　此时 Coupon_id 被处理成 has_coup（1代表领取优惠券，0代表没有领取优惠券）
　　Date,Date_received 被处理成 used_in_15days。表示是否在15天内使用过优惠券
　　Discount_rate 被处理成 discount_percent（折扣率），discount_limit（满多少）
　　Merchant_id，User_id 是unicode值,不需要进行处理

 #剩下Distance，看下Distance的分布情况
 all_offline['Distance'].value_counts()

　　

 #保存数据，以便后期使用起来方便
 train_finall,test_finall = all_offline[:train_offline.shape[0]],all_offline[train_offline.shape[0]:]
 all_offline.to_csv(r'output\all_offline.csv')
 train_finall.to_csv(r'output\train_finall.csv')
 test_finall.to_csv(r'output\test_finall.csv')

 #one_hot处理
 all_offline_new=all_offline.drop(
         ['Coupon_id','Date','Date_received','Discount_rate','Merchant_id',
          'User_id','discount_percent','discount_limit'],axis=1)
 all_offline_new=pd.get_dummies(all_offline_new)

 #把测试集跟验证集分开
 train01,test01=all_offline_new[:len(train_offline)],all_offline_new[len(train_offline):]

 #把没有领券的去掉
 train02=train01[train01['has_coup']==1]

 #由于特征集 都是领券的人，故把 has_coup 字段删掉
 train02=train02.drop(['has_coup'],axis=1)
 test01=test01.drop(['has_coup'],axis=1)

 x_train=train02.drop(['used_in_15days'],axis=1)
 y_train=pd.DataFrame({"used_in_15days":train02['used_in_15days']})
 x_text=test01.drop(['used_in_15days'],axis=1)

 #建模
 from sklearn.linear_model import LinearRegression

 clf=LinearRegression()
 clf.fit(x_train,y_train)

 #用模型进行预测
 predict=clf.predict(x_text)

 result=pd.read_csv('ccf_offline_stage1_test_revised.csv')
 result['probability']=predict

 result=result.drop(['Merchant_id','Discount_rate','Distance'],axis=1)

 #发现最终预测有负值，直接归为0
 result['probability']=result['probability'].apply(lambda x: 0 if x<0 else x)

 result.to_csv(r'output/sample_submission.csv',index=False)