尧图网站建设 
简介这份资源是一套基于Jupyter Notebook的Python用户画像构建源码面向数据分析初学者与从事用户研究的从业者帮助其掌握从原始数据到画像输出的完整流程。包内共20个文件以13个CSV数据文件为主要数据载体配合4个ipynb笔记本文件承载数据处理与画像构建代码另有Python源文件、Markdown说明文档及PNG图像文件压缩包约118.46MB目录结构清晰便于按模块查阅。目前已有125人学习下载。读者可借助Pandas完成数据清洗与特征提取利用Matplotlib或Seaborn生成可视化图表并通过Markdown文档理解整体设计思路与实现步骤从而快速搭建可复用的用户画像分析框架为产品设计、市场策略与个性化服务提供数据支撑。1. 从一份 Jupyter Notebook 源码说起用户画像到底在算什么很多人第一次搜「基于 Jupyter Notebook 的 Python 用户画像构建源码分享」心里想的其实是有没有一份能直接跑起来的 notebook把用户数据丢进去就能吐出「高价值用户」「流失预警」「兴趣标签」这些结果。这个诉求很实在也很容易翻车——因为用户画像从来不是某个算法而是一条从原始行为日志到标签体系的加工流水线notebook 只是这条流水线的可视化容器。我在实际项目里用 Jupyter Notebook 做用户画像最大的体会是它适合探索、验证和交付「可解释的中间结果」但不适合直接当生产调度。你要在 notebook 里完成的是 RFM 分层、行为埋点聚合、标签规则验证、聚类效果对比这几件事然后把稳定下来的逻辑抽成 Python 脚本或调度任务。这篇文章就按这个思路把一份可复现的画像构建源码拆开讲清楚数据怎么进、特征怎么算、标签怎么打、坑在哪、怎么验证结果不是自嗨。适合有 Python 基础、手里有用户行为表、想快速搭出第一版画像体系的人。2. 环境与数据准备让 notebook 能稳定跑起来2.1 Jupyter Notebook 安装与启动的常见翻车点热词里「jupyter notebook 安装」「jupyter notebook 启动时显示找不到指定的程序」出现频率很高这不是偶然。Windows 上最常见的场景是用 python 官网下载安装包时没勾选 Add Python to PATH之后 pip install notebook 看似成功但命令行敲 jupyter 直接报「找不到指定的程序」。解决办法不是重装系统而是先把 Python 和 Scripts 目录加进环境变量或者干脆用 Miniconda 管理环境。我一般会这么做避免污染全局环境# 创建独立环境Python 版本按你数据栈依赖选3.9~3.11 都比较稳 conda create -n persona python3.10 -y conda activate persona # 安装 notebook 和常用数据分析库 conda install -c conda-forge jupyter notebook pandas numpy scikit-learn matplotlib seaborn -y # 启动指定端口和工作目录避免默认目录太乱 jupyter notebook --port 8888 --notebook-dir./persona_project这段命令的逻辑是先隔离环境再一次性装齐画像常用的 pandas、numpy、scikit-learn 和可视化库。参数上--port固定端口方便你记住访问地址--notebook-dir把 notebook 文件限制在项目目录内避免散落到用户主目录。如果你用 VS Code配置 python 环境时选这个 persona 解释器即可jupyter 插件会自动识别内核。提示如果启动后浏览器没自动打开看终端里输出的 token 和 URL手动复制访问。不要用网上来路不明的「jupyter 网页版」数据安全没法保证。2.2 用户画像的数据表结构长什么样画像构建的第一步不是写代码是确认你手里有什么数据。典型的最小数据集包含三张表用户基础表、行为事件表、订单交易表。没有订单表也能做但 RFM 里的 M金额就得换成活跃度或互动次数。表名关键字段用途dim_useruser_id, register_time, channel, city用户属性维度dwd_eventuser_id, event_time, event_type, page_id行为频次与偏好dwd_orderuser_id, order_time, amount, category消费能力与品类偏好在 notebook 里读数据时我习惯先做一次 schema 检查和空值统计而不是直接 groupby。很多「画像结果不对」的问题根源是 user_id 类型不一致字符串和数字混用或者时间字段带时区。import pandas as pd import numpy as np # 读取时显式指定 user_id 为字符串避免前导零丢失或类型不匹配 users pd.read_csv(dim_user.csv, dtype{user_id: str}, parse_dates[register_time]) events pd.read_csv(dwd_event.csv, dtype{user_id: str}, parse_dates[event_time]) orders pd.read_csv(dwd_order.csv, dtype{user_id: str}, parse_dates[order_time]) # 基础体检行数、空值、时间范围 for name, df in [(users, users), (events, events), (orders, orders)]: print(f{name}: rows{len(df)}, nulls\n{df.isnull().sum()[df.isnull().sum()0]}) time_col [c for c in df.columns if time in c][0] print(f{name} time range: {df[time_col].min()} ~ {df[time_col].max()}\n)这段代码的关键在dtype{user_id: str}和parse_dates。参数说明dtype 强制主键类型统一parse_dates 让时间列直接变成 datetime后续做时间窗口聚合不用再转换。输出里如果看到某张表时间范围明显偏窄比如 events 只到上个月那你的画像就是滞后的需要先确认数据同步链路。3. 特征工程把行为日志变成可计算的用户标签3.1 RFM 三要素的 Python 实现与参数选择RFM 是用户画像里最稳的起点Recency最近一次消费/活跃、Frequency频次、Monetary金额。它不依赖复杂模型业务方一看就懂而且能直接切出高价值、流失预警等分层。在 notebook 里算 RFM核心是确定「观察时间点」和「统计窗口」。# 设定观察时间点通常取数据中最新时间 1 天避免边界用户被误判 snapshot_date events[event_time].max().normalize() pd.Timedelta(days1) # 以订单表算 R 和 M以行为表算 F没有订单时 F 用活跃天数替代 rfm orders.groupby(user_id).agg( last_order(order_time, max), frequency(order_time, count), monetary(amount, sum) ).reset_index() rfm[recency] (snapshot_date - rfm[last_order]).dt.days # 行为频次统计窗口取近 30 天避免全量历史把早期活跃用户拉高 recent_events events[events[event_time] snapshot_date - pd.Timedelta(days30)] freq_behavior recent_events.groupby(user_id).size().rename(active_days).reset_index() rfm rfm.merge(freq_behavior, onuser_id, howleft).fillna({active_days: 0})逻辑说明snapshot_date是整个画像的时间锚点所有 R 值都相对它计算。参数上30 天窗口是常见做法但你要根据业务周期调整——低频高客单的品类可能要用 90 天。fillna处理的是「有订单但近 30 天无行为」的用户这类人恰恰是流失预警的重点不能直接丢掉。3.2 用分位数打分替代拍脑袋阈值RFM 算出来是连续值要变成标签就得离散化。新手最容易犯的错是手动定阈值比如「金额大于 1000 算高」。更稳的做法是用分位数quantile切分让每个分层的人数大致均衡也方便跨周期对比。# 对 R 反向打分recency 越小越好所以用 ascendingTrue 后取反 rfm[R_score] pd.qcut(rfm[recency], 5, labels[5,4,3,2,1]).astype(int) rfm[F_score] pd.qcut(rfm[frequency].rank(methodfirst), 5, labels[1,2,3,4,5]).astype(int) rfm[M_score] pd.qcut(rfm[monetary], 5, labels[1,2,3,4,5]).astype(int) # 组合成 RFM 总分与分层标签 rfm[rfm_sum] rfm[[R_score,F_score,M_score]].sum(axis1) def segment(row): if row[R_score] 4 and row[F_score] 4 and row[M_score] 4: return 高价值 if row[R_score] 2 and row[F_score] 3: return 流失预警 if row[R_score] 4 and row[F_score] 2: return 新客潜力 return 一般用户 rfm[segment] rfm.apply(segment, axis1)参数说明pd.qcut的 5 表示五等分rank(methodfirst)是为了解决频次大量重复值导致 qcut 边界报错的问题这是血泪经验——真实数据里 frequency 经常一堆 1不 rank 直接 qcut 会抛「Bin edges must be unique」。分层规则里的阈值 4 和 2 不是固定的你要看每层人数占比如果「高价值」占了 40%那说明阈值太松画像失去了区分度。3.3 行为偏好标签从 page_id 到兴趣类目除了 RFM画像还需要兴趣标签。常见做法是把 page_id 或 item_id 映射到类目再统计每个用户近 30 天点击占比最高的类目。# 假设有 page 到类目的映射表 page_category pd.read_csv(page_category.csv, dtype{page_id: str}) event_cat recent_events.merge(page_category, onpage_id, howleft) # 统计用户-类目点击次数 user_cat event_cat.groupby([user_id,category]).size().reset_index(namecnt) # 取每个用户 top1 类目作为主兴趣 user_cat[rank] user_cat.groupby(user_id)[cnt].rank(methodfirst, ascendingFalse) top_interest user_cat[user_cat[rank] 1][[user_id,category]].rename(columns{category:main_interest}) rfm rfm.merge(top_interest, onuser_id, howleft)这里的关键是rank取 top1而不是简单取 max因为同一用户可能有多个类目并列。参数上howleft保证没有行为映射的用户不丢他们的 main_interest 为空后续可以单独打「未知兴趣」标签。如果你的类目体系很粗top1 区分度不够可以保留 top3 做多兴趣标签。4. 避坑与排查画像构建里最容易翻车的五件事4.1 现象notebook 重启后结果对不上原因notebook 的单元格执行顺序是人为的你可能先跑了聚合又改了上面的读取逻辑没重跑内存里是旧数据。解决养成「Restart Run All」的习惯或者把稳定逻辑抽成函数每次从原始数据重新计算。我一般会在 notebook 开头加一个%autoreload和版本检查但最可靠的还是全量重跑。4.2 现象qcut 报 Bin edges must be unique原因Frequency 或 Monetary 有大量重复值分位数边界重合。解决对频次列先rank(methodfirst)再 qcut或者改用pd.cut手动指定边界。这个坑在用户行为数据里几乎必现提前处理能省半小时排查。4.3 现象画像分层人数严重倾斜原因阈值拍脑袋或者数据本身有极端值。解决先看rfm[monetary].describe()如果 max 是均值的几百倍考虑对金额做 log 变换或截断再分位数。分层后打印每类占比健康的分层应该是长尾分布头部不超过 20%。4.4 现象user_id 对不上merge 后大量空值原因不同表 user_id 类型不一致或者有前后空格。解决读取时统一dtype{user_id: str}merge 前做str.strip()并检查merge后的空值率。如果空值超过 5%先别往下做回去查数据源。4.5 现象notebook 跑得越来越慢内存爆掉原因全量 events 表几十万上百万行反复 groupby 不释放。解决在 notebook 里用del删除中间大表或者只读取需要的列usecols时间窗口过滤尽量在读取阶段完成。参数上pd.read_csv加usecols和nrows做采样调试确认逻辑后再跑全量。5. 验证与交付让画像结果经得起业务追问5.1 用交叉验证和业务指标检验分层质量画像做完不能只看代码跑通要验证分层是否真的区分了用户价值。我一般会做两件事一是看各分层的平均订单金额和复购率是否单调二是留出最近一个月的订单做验证看「高价值」层的实际贡献占比。# 分层质量检查各层人数、平均金额、近30天活跃率 quality rfm.groupby(segment).agg( users(user_id,count), avg_monetary(monetary,mean), avg_recency(recency,mean), avg_frequency(frequency,mean) ).sort_values(avg_monetary, ascendingFalse) print(quality) # 验证高价值层是否贡献了主要金额 total_m rfm[monetary].sum() high_m rfm[rfm[segment]高价值][monetary].sum() print(f高价值用户占比 {len(rfm[rfm[segment]高价值])/len(rfm):.1%}, 金额贡献 {high_m/total_m:.1%})如果「高价值」层人数占比 10% 但金额贡献 60% 以上说明分层有效如果各层金额差不多那你的 RFM 权重或阈值需要重新调。这一步是给业务方看的比任何算法解释都管用。5.2 从 notebook 到可复用脚本的抽离技巧notebook 适合探索但交付时我习惯把稳定逻辑抽成persona_pipeline.pynotebook 只保留调用和可视化。抽离时注意三点把 snapshot_date、窗口天数、分位数这些做成函数参数把读写路径配置化加一层简单的日志记录每步输入输出行数。# persona_pipeline.py 片段 def build_rfm(orders, events, snapshot_date, window_days30, n_bins5): 输入订单和行为表返回带 RFM 分层和兴趣标签的用户画像 # ... 聚合、打分、分层逻辑 return rfm # notebook 里调用 from persona_pipeline import build_rfm rfm build_rfm(orders, events, snapshot_date, window_days30)这样下次换一批数据改参数即可不用在几十个单元格里找哪一行改了阈值。参数说明window_days控制行为统计窗口n_bins控制分位数层数业务周期短的可以设 3 层长周期设 5 层。5.3 一个具体技巧用透视表快速定位异常分层最后一招是我常用的排查习惯用pd.pivot_table把分层和渠道、城市交叉看有没有某个渠道全被打成「流失预警」。如果有大概率是渠道数据同步延迟不是用户真的流失。pivot pd.pivot_table(rfm, indexsegment, columnschannel, valuesuser_id, aggfunccount, fill_value0) print(pivot)这个透视表能帮你在五分钟内判断画像结果是否符合业务常识。如果某个渠道的「高价值」占比异常高先查这个渠道的订单是否重复计入。画像这件事代码只占三成剩下七成是反复和业务口径对齐。我踩过最深的坑就是闷头调模型结果业务方说「这个高价值用户上个月就注销了」——所以每次交付前我都会随机抽 20 个用户人工看一眼他们的行为轨迹确认标签没打反。希望帮到你。本文还有配套的精品资源点击获取 基于Jupyter Notebook的Python用户画像构建源码实战与避坑指南
简介这份资源是一套基于Jupyter Notebook的Python用户画像构建源码面向数据分析初学者与从事用户研究的从业者帮助其掌握从原始数据到画像输出的完整流程。包内共20个文件以13个CSV数据文件为主要数据载体配合4个ipynb笔记本文件承载数据处理与画像构建代码另有Python源文件、Markdown说明文档及PNG图像文件压缩包约118.46MB目录结构清晰便于按模块查阅。目前已有125人学习下载。读者可借助Pandas完成数据清洗与特征提取利用Matplotlib或Seaborn生成可视化图表并通过Markdown文档理解整体设计思路与实现步骤从而快速搭建可复用的用户画像分析框架为产品设计、市场策略与个性化服务提供数据支撑。1. 从一份 Jupyter Notebook 源码说起用户画像到底在算什么很多人第一次搜「基于 Jupyter Notebook 的 Python 用户画像构建源码分享」心里想的其实是有没有一份能直接跑起来的 notebook把用户数据丢进去就能吐出「高价值用户」「流失预警」「兴趣标签」这些结果。这个诉求很实在也很容易翻车——因为用户画像从来不是某个算法而是一条从原始行为日志到标签体系的加工流水线notebook 只是这条流水线的可视化容器。我在实际项目里用 Jupyter Notebook 做用户画像最大的体会是它适合探索、验证和交付「可解释的中间结果」但不适合直接当生产调度。你要在 notebook 里完成的是 RFM 分层、行为埋点聚合、标签规则验证、聚类效果对比这几件事然后把稳定下来的逻辑抽成 Python 脚本或调度任务。这篇文章就按这个思路把一份可复现的画像构建源码拆开讲清楚数据怎么进、特征怎么算、标签怎么打、坑在哪、怎么验证结果不是自嗨。适合有 Python 基础、手里有用户行为表、想快速搭出第一版画像体系的人。2. 环境与数据准备让 notebook 能稳定跑起来2.1 Jupyter Notebook 安装与启动的常见翻车点热词里「jupyter notebook 安装」「jupyter notebook 启动时显示找不到指定的程序」出现频率很高这不是偶然。Windows 上最常见的场景是用 python 官网下载安装包时没勾选 Add Python to PATH之后 pip install notebook 看似成功但命令行敲 jupyter 直接报「找不到指定的程序」。解决办法不是重装系统而是先把 Python 和 Scripts 目录加进环境变量或者干脆用 Miniconda 管理环境。我一般会这么做避免污染全局环境# 创建独立环境Python 版本按你数据栈依赖选3.9~3.11 都比较稳 conda create -n persona python3.10 -y conda activate persona # 安装 notebook 和常用数据分析库 conda install -c conda-forge jupyter notebook pandas numpy scikit-learn matplotlib seaborn -y # 启动指定端口和工作目录避免默认目录太乱 jupyter notebook --port 8888 --notebook-dir./persona_project这段命令的逻辑是先隔离环境再一次性装齐画像常用的 pandas、numpy、scikit-learn 和可视化库。参数上--port固定端口方便你记住访问地址--notebook-dir把 notebook 文件限制在项目目录内避免散落到用户主目录。如果你用 VS Code配置 python 环境时选这个 persona 解释器即可jupyter 插件会自动识别内核。提示如果启动后浏览器没自动打开看终端里输出的 token 和 URL手动复制访问。不要用网上来路不明的「jupyter 网页版」数据安全没法保证。2.2 用户画像的数据表结构长什么样画像构建的第一步不是写代码是确认你手里有什么数据。典型的最小数据集包含三张表用户基础表、行为事件表、订单交易表。没有订单表也能做但 RFM 里的 M金额就得换成活跃度或互动次数。表名关键字段用途dim_useruser_id, register_time, channel, city用户属性维度dwd_eventuser_id, event_time, event_type, page_id行为频次与偏好dwd_orderuser_id, order_time, amount, category消费能力与品类偏好在 notebook 里读数据时我习惯先做一次 schema 检查和空值统计而不是直接 groupby。很多「画像结果不对」的问题根源是 user_id 类型不一致字符串和数字混用或者时间字段带时区。import pandas as pd import numpy as np # 读取时显式指定 user_id 为字符串避免前导零丢失或类型不匹配 users pd.read_csv(dim_user.csv, dtype{user_id: str}, parse_dates[register_time]) events pd.read_csv(dwd_event.csv, dtype{user_id: str}, parse_dates[event_time]) orders pd.read_csv(dwd_order.csv, dtype{user_id: str}, parse_dates[order_time]) # 基础体检行数、空值、时间范围 for name, df in [(users, users), (events, events), (orders, orders)]: print(f{name}: rows{len(df)}, nulls\n{df.isnull().sum()[df.isnull().sum()0]}) time_col [c for c in df.columns if time in c][0] print(f{name} time range: {df[time_col].min()} ~ {df[time_col].max()}\n)这段代码的关键在dtype{user_id: str}和parse_dates。参数说明dtype 强制主键类型统一parse_dates 让时间列直接变成 datetime后续做时间窗口聚合不用再转换。输出里如果看到某张表时间范围明显偏窄比如 events 只到上个月那你的画像就是滞后的需要先确认数据同步链路。3. 特征工程把行为日志变成可计算的用户标签3.1 RFM 三要素的 Python 实现与参数选择RFM 是用户画像里最稳的起点Recency最近一次消费/活跃、Frequency频次、Monetary金额。它不依赖复杂模型业务方一看就懂而且能直接切出高价值、流失预警等分层。在 notebook 里算 RFM核心是确定「观察时间点」和「统计窗口」。# 设定观察时间点通常取数据中最新时间 1 天避免边界用户被误判 snapshot_date events[event_time].max().normalize() pd.Timedelta(days1) # 以订单表算 R 和 M以行为表算 F没有订单时 F 用活跃天数替代 rfm orders.groupby(user_id).agg( last_order(order_time, max), frequency(order_time, count), monetary(amount, sum) ).reset_index() rfm[recency] (snapshot_date - rfm[last_order]).dt.days # 行为频次统计窗口取近 30 天避免全量历史把早期活跃用户拉高 recent_events events[events[event_time] snapshot_date - pd.Timedelta(days30)] freq_behavior recent_events.groupby(user_id).size().rename(active_days).reset_index() rfm rfm.merge(freq_behavior, onuser_id, howleft).fillna({active_days: 0})逻辑说明snapshot_date是整个画像的时间锚点所有 R 值都相对它计算。参数上30 天窗口是常见做法但你要根据业务周期调整——低频高客单的品类可能要用 90 天。fillna处理的是「有订单但近 30 天无行为」的用户这类人恰恰是流失预警的重点不能直接丢掉。3.2 用分位数打分替代拍脑袋阈值RFM 算出来是连续值要变成标签就得离散化。新手最容易犯的错是手动定阈值比如「金额大于 1000 算高」。更稳的做法是用分位数quantile切分让每个分层的人数大致均衡也方便跨周期对比。# 对 R 反向打分recency 越小越好所以用 ascendingTrue 后取反 rfm[R_score] pd.qcut(rfm[recency], 5, labels[5,4,3,2,1]).astype(int) rfm[F_score] pd.qcut(rfm[frequency].rank(methodfirst), 5, labels[1,2,3,4,5]).astype(int) rfm[M_score] pd.qcut(rfm[monetary], 5, labels[1,2,3,4,5]).astype(int) # 组合成 RFM 总分与分层标签 rfm[rfm_sum] rfm[[R_score,F_score,M_score]].sum(axis1) def segment(row): if row[R_score] 4 and row[F_score] 4 and row[M_score] 4: return 高价值 if row[R_score] 2 and row[F_score] 3: return 流失预警 if row[R_score] 4 and row[F_score] 2: return 新客潜力 return 一般用户 rfm[segment] rfm.apply(segment, axis1)参数说明pd.qcut的 5 表示五等分rank(methodfirst)是为了解决频次大量重复值导致 qcut 边界报错的问题这是血泪经验——真实数据里 frequency 经常一堆 1不 rank 直接 qcut 会抛「Bin edges must be unique」。分层规则里的阈值 4 和 2 不是固定的你要看每层人数占比如果「高价值」占了 40%那说明阈值太松画像失去了区分度。3.3 行为偏好标签从 page_id 到兴趣类目除了 RFM画像还需要兴趣标签。常见做法是把 page_id 或 item_id 映射到类目再统计每个用户近 30 天点击占比最高的类目。# 假设有 page 到类目的映射表 page_category pd.read_csv(page_category.csv, dtype{page_id: str}) event_cat recent_events.merge(page_category, onpage_id, howleft) # 统计用户-类目点击次数 user_cat event_cat.groupby([user_id,category]).size().reset_index(namecnt) # 取每个用户 top1 类目作为主兴趣 user_cat[rank] user_cat.groupby(user_id)[cnt].rank(methodfirst, ascendingFalse) top_interest user_cat[user_cat[rank] 1][[user_id,category]].rename(columns{category:main_interest}) rfm rfm.merge(top_interest, onuser_id, howleft)这里的关键是rank取 top1而不是简单取 max因为同一用户可能有多个类目并列。参数上howleft保证没有行为映射的用户不丢他们的 main_interest 为空后续可以单独打「未知兴趣」标签。如果你的类目体系很粗top1 区分度不够可以保留 top3 做多兴趣标签。4. 避坑与排查画像构建里最容易翻车的五件事4.1 现象notebook 重启后结果对不上原因notebook 的单元格执行顺序是人为的你可能先跑了聚合又改了上面的读取逻辑没重跑内存里是旧数据。解决养成「Restart Run All」的习惯或者把稳定逻辑抽成函数每次从原始数据重新计算。我一般会在 notebook 开头加一个%autoreload和版本检查但最可靠的还是全量重跑。4.2 现象qcut 报 Bin edges must be unique原因Frequency 或 Monetary 有大量重复值分位数边界重合。解决对频次列先rank(methodfirst)再 qcut或者改用pd.cut手动指定边界。这个坑在用户行为数据里几乎必现提前处理能省半小时排查。4.3 现象画像分层人数严重倾斜原因阈值拍脑袋或者数据本身有极端值。解决先看rfm[monetary].describe()如果 max 是均值的几百倍考虑对金额做 log 变换或截断再分位数。分层后打印每类占比健康的分层应该是长尾分布头部不超过 20%。4.4 现象user_id 对不上merge 后大量空值原因不同表 user_id 类型不一致或者有前后空格。解决读取时统一dtype{user_id: str}merge 前做str.strip()并检查merge后的空值率。如果空值超过 5%先别往下做回去查数据源。4.5 现象notebook 跑得越来越慢内存爆掉原因全量 events 表几十万上百万行反复 groupby 不释放。解决在 notebook 里用del删除中间大表或者只读取需要的列usecols时间窗口过滤尽量在读取阶段完成。参数上pd.read_csv加usecols和nrows做采样调试确认逻辑后再跑全量。5. 验证与交付让画像结果经得起业务追问5.1 用交叉验证和业务指标检验分层质量画像做完不能只看代码跑通要验证分层是否真的区分了用户价值。我一般会做两件事一是看各分层的平均订单金额和复购率是否单调二是留出最近一个月的订单做验证看「高价值」层的实际贡献占比。# 分层质量检查各层人数、平均金额、近30天活跃率 quality rfm.groupby(segment).agg( users(user_id,count), avg_monetary(monetary,mean), avg_recency(recency,mean), avg_frequency(frequency,mean) ).sort_values(avg_monetary, ascendingFalse) print(quality) # 验证高价值层是否贡献了主要金额 total_m rfm[monetary].sum() high_m rfm[rfm[segment]高价值][monetary].sum() print(f高价值用户占比 {len(rfm[rfm[segment]高价值])/len(rfm):.1%}, 金额贡献 {high_m/total_m:.1%})如果「高价值」层人数占比 10% 但金额贡献 60% 以上说明分层有效如果各层金额差不多那你的 RFM 权重或阈值需要重新调。这一步是给业务方看的比任何算法解释都管用。5.2 从 notebook 到可复用脚本的抽离技巧notebook 适合探索但交付时我习惯把稳定逻辑抽成persona_pipeline.pynotebook 只保留调用和可视化。抽离时注意三点把 snapshot_date、窗口天数、分位数这些做成函数参数把读写路径配置化加一层简单的日志记录每步输入输出行数。# persona_pipeline.py 片段 def build_rfm(orders, events, snapshot_date, window_days30, n_bins5): 输入订单和行为表返回带 RFM 分层和兴趣标签的用户画像 # ... 聚合、打分、分层逻辑 return rfm # notebook 里调用 from persona_pipeline import build_rfm rfm build_rfm(orders, events, snapshot_date, window_days30)这样下次换一批数据改参数即可不用在几十个单元格里找哪一行改了阈值。参数说明window_days控制行为统计窗口n_bins控制分位数层数业务周期短的可以设 3 层长周期设 5 层。5.3 一个具体技巧用透视表快速定位异常分层最后一招是我常用的排查习惯用pd.pivot_table把分层和渠道、城市交叉看有没有某个渠道全被打成「流失预警」。如果有大概率是渠道数据同步延迟不是用户真的流失。pivot pd.pivot_table(rfm, indexsegment, columnschannel, valuesuser_id, aggfunccount, fill_value0) print(pivot)这个透视表能帮你在五分钟内判断画像结果是否符合业务常识。如果某个渠道的「高价值」占比异常高先查这个渠道的订单是否重复计入。画像这件事代码只占三成剩下七成是反复和业务口径对齐。我踩过最深的坑就是闷头调模型结果业务方说「这个高价值用户上个月就注销了」——所以每次交付前我都会随机抽 20 个用户人工看一眼他们的行为轨迹确认标签没打反。希望帮到你。本文还有配套的精品资源点击获取