1.项目背景与目标

在社交和内容分享领域，某APP凭借笔记、视频等丰富的内容形式，逐渐吸引了大量用户。作为一个旨在提升用户互动和平台流量的分享平台，推荐算法成为其核心功能，通过精准推送内容，努力实现更高的点击率和转化率，然而，用户群体间的行为差异、内容类型的表现差异、以及推荐效果的优劣，都对平台的整体运营提出了挑战。深入分析这些关键维度，了解用户行为和内容质量，成为优化平台运营和算法策略的重中之重。本次数据分析项目旨在通过对用户行为和内容表现的全面探索，为平台优化提供数据支持。

2.数据准备

2.1 Python库导入及数据读取

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
from scipy.stats import f_oneway
from statsmodels.stats.multicomp import pairwise_tukeyhsd
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import AgglomerativeClustering
from sklearn.metrics import silhouette_score
from sklearn.manifold import TSNE

data = pd.read_excel("/home/mw/input/content9873/content_analysis_data.xlsx")

2.2数据预览

data.head()

	user_id	age_group	gender	device_type	content_id	content_type	topic	length_seconds	content_source	exposures	clicks	liked	favorited	commented	shared	followed_creator	interaction_time
0	U00001	35-44	Male	iOS	C00001	Note	美妆	208	搜索	5	0	0	0	0	0	0	0
1	U00002	18-24	Male	iOS	C00002	Note	时尚	721	搜索	6	0	0	0	0	0	0	0
2	U00003	18-24	Male	Android	C00003	Video	美妆	106	发现页推荐	5	2	0	0	0	0	0	28
3	U00004	18-24	Female	iOS	C00004	Note	家居	461	发现页推荐	10	2	0	0	0	0	0	118
4	U00005	25-34	Female	iOS	C00005	Note	美妆	478	搜索	7	2	0	1	0	1	0	123

print('查看数据信息:')
data.info()

查看数据信息:
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8000 entries, 0 to 7999
Data columns (total 17 columns):#   Column            Non-Null Count  Dtype 
---  ------            --------------  ----- 0   user_id           8000 non-null   object1   age_group         8000 non-null   object2   gender            8000 non-null   object3   device_type       8000 non-null   object4   content_id        8000 non-null   object5   content_type      8000 non-null   object6   topic             8000 non-null   object7   length_seconds    8000 non-null   int64 8   content_source    8000 non-null   object9   exposures         8000 non-null   int64 10  clicks            8000 non-null   int64 11  liked             8000 non-null   int64 12  favorited         8000 non-null   int64 13  commented         8000 non-null   int64 14  shared            8000 non-null   int64 15  followed_creator  8000 non-null   int64 16  interaction_time  8000 non-null   int64 
dtypes: int64(9), object(8)
memory usage: 1.0+ MB

print(f'查看重复值:{data.duplicated().sum()}')

查看重复值:0

数据总共有 8000 行和 17 列，数据没有缺失值和重复值。

characteristic = data.select_dtypes(include=['object']).columns
print('数据中分类变量的唯一值情况：')
for i in characteristic:print(f'{i}:')print(f'共有:{len(data[i].unique())}条唯一值')print(data[i].unique())print('-'*50)

数据中分类变量的唯一值情况：
user_id:
共有:8000条唯一值
['U00001' 'U00002' 'U00003' ... 'U07998' 'U07999' 'U08000']
--------------------------------------------------
age_group:
共有:4条唯一值
['35-44' '18-24' '25-34' '45+']
--------------------------------------------------
gender:
共有:2条唯一值
['Male' 'Female']
--------------------------------------------------
device_type:
共有:2条唯一值
['iOS' 'Android']
--------------------------------------------------
content_id:
共有:8000条唯一值
['C00001' 'C00002' 'C00003' ... 'C07998' 'C07999' 'C08000']
--------------------------------------------------
content_type:
共有:2条唯一值
['Note' 'Video']
--------------------------------------------------
topic:
共有:8条唯一值
['美妆' '时尚' '家居' '美食' '旅游' '健身' '科技' '教育']
--------------------------------------------------
content_source:
共有:3条唯一值
['搜索' '发现页推荐' '关注']
--------------------------------------------------

接下来，要检查数据是否符合逻辑：

1. clicks=0时，其他互动行为应为0，因为如果用户没有点击内容（clicks=0），那么用户不可能对内容产生互动行为（如点赞、收藏、评论、分享、关注）或观看内容（interaction_time=0）。因此需要检查是否存在clicks=0但liked、favorited、commented、shared、followed_creator或interaction_time不为0的记录。
2. interaction_time应小于等于length_seconds，因为用户与内容的互动时间（interaction_time）不应超过内容的总时长（length_seconds）。因此需要检查是否存在interaction_time > length_seconds的记录。
3. clicks应小于等于exposures，因为用户对内容的点击次数（clicks）不应超过内容对用户的曝光次数（exposures）。因此需要检查是否存在clicks > exposures的记录。

# 逻辑检查1：clicks=0时，其他互动行为应为0
invalid_clicks = data[(data['clicks'] == 0) & ((data['liked'] != 0) | (data['favorited'] != 0) | (data['commented'] != 0) | (data['shared'] != 0) | (data['followed_creator'] != 0) | (data['interaction_time'] != 0))]
print("clicks=0但其他互动行为不为0的记录数：", len(invalid_clicks))# 逻辑检查2：interaction_time应小于等于length_seconds
invalid_interaction_time = data[data['interaction_time'] > data['length_seconds']]
print("interaction_time超过length_seconds的记录数：", len(invalid_interaction_time))# 逻辑检查3：clicks应小于等于exposures
invalid_clicks_exposures = data[data['clicks'] > data['exposures']]
print("clicks超过exposures的记录数：", len(invalid_clicks_exposures))# 输出不符合逻辑的记录
if len(invalid_clicks) > 0:print("不符合逻辑1的记录：")print(invalid_clicks)if len(invalid_interaction_time) > 0:print("不符合逻辑2的记录：")print(invalid_interaction_time)if len(invalid_clicks_exposures) > 0:print("不符合逻辑3的记录：")print(invalid_clicks_exposures)

clicks=0但其他互动行为不为0的记录数： 0
interaction_time超过length_seconds的记录数： 0
clicks超过exposures的记录数： 0

feature_map = {'length_seconds': '内容时长（秒）','exposures': '内容对用户的曝光次数','clicks': '用户点击次数','interaction_time': '用户观看/阅读该内容的总时长（秒）'
}
plt.figure(figsize=(10, 10))
for i, (col, col_name) in enumerate(feature_map.items(), 1):plt.subplot(2, 2, i)sns.boxplot(y=data[col])plt.title(f'{col_name}的箱线图', fontsize=14)plt.ylabel('数值', fontsize=12)plt.grid(axis='y', linestyle='--', alpha=0.7)plt.tight_layout()
plt.show()

3.探索用户互动行为

3.1互动指标构建

data['点赞率'] = data['liked'] / data['exposures']
data['收藏率'] = data['favorited'] / data['exposures']
data['评论率'] = data['commented'] / data['exposures']
data['分享率'] = data['shared'] / data['exposures']
data['关注率'] = data['followed_creator'] / data['exposures']

3.2年龄段分组分析

# 按年龄段分组，计算平均互动率
interaction_metrics = ['点赞率', '收藏率', '评论率', '分享率', '关注率']
age_group_interaction = data.groupby('age_group')[interaction_metrics].mean()age_group_interaction.plot(kind='bar', figsize=(12, 6))
plt.title('不同年龄段的用户互动行为')
plt.xlabel('年龄段')
plt.ylabel('平均互动率')
plt.xticks(rotation=0)
plt.show()

def anova_method(target_features,interaction_metrics):# 初始化结果存储anova_results = []# 提取目标的互动率数据target_groups = data[target_features].unique()# 对每个互动指标进行ANOVA检验for metric in interaction_metrics:groups = [data[data[target_features] == target][metric] for target in target_groups]f_stat, p_value = f_oneway(*groups)anova_results.append({'指标': metric,'F统计量': round(f_stat, 2),'p值': round(p_value, 4),'显著性（p<0.05）': '是' if p_value < 0.05 else '否'})# 转换为DataFrameanova_df = pd.DataFrame(anova_results)print("ANOVA检验结果：")print(anova_df)

anova_method('age_group',interaction_metrics)

ANOVA检验结果：指标   F统计量      p值 显著性（p<0.05）
0  点赞率   7.69  0.0000           是
1  收藏率  12.38  0.0000           是
2  评论率   3.79  0.0099           是
3  分享率   7.67  0.0000           是
4  关注率   5.13  0.0015           是

def tukey_method(target_features,interaction_metrics):# 初始化结果存储tukey_results = []# 对每个互动指标进行Tukey HSD检验for metric in interaction_metrics:tukey = pairwise_tukeyhsd(endog=data[metric], groups=data[target_features], alpha=0.05)df_tukey = pd.DataFrame(data=tukey._results_table.data[1:], columns=tukey._results_table.data[0])df_tukey['指标'] = metric  # 添加指标列tukey_results.append(df_tukey)# 合并所有结果tukey_df = pd.concat(tukey_results, ignore_index=True)# 筛选显著的结果significant_tukey_df = tukey_df[tukey_df['reject'] == True].reset_index(drop=True)print("Tukey HSD检验结果（仅显示显著差异）：")print(significant_tukey_df)

tukey_method('age_group',interaction_metrics)

Tukey HSD检验结果（仅显示显著差异）：group1 group2  meandiff   p-adj   lower   upper  reject   指标
0  18-24  35-44   -0.0120  0.0002 -0.0193 -0.0047    True  点赞率
1  25-34  35-44   -0.0133  0.0000 -0.0206 -0.0059    True  点赞率
2  18-24  35-44   -0.0200  0.0000 -0.0292 -0.0107    True  收藏率
3  25-34  35-44   -0.0203  0.0000 -0.0296 -0.0110    True  收藏率
4  18-24  35-44   -0.0072  0.0066 -0.0128 -0.0015    True  评论率
5  25-34  35-44   -0.0060  0.0328 -0.0117 -0.0003    True  评论率
6  18-24  35-44   -0.0120  0.0000 -0.0188 -0.0051    True  分享率
7  25-34  35-44   -0.0090  0.0044 -0.0159 -0.0021    True  分享率
8  18-24  35-44   -0.0051  0.0085 -0.0092 -0.0010    True  关注率
9  25-34  35-44   -0.0059  0.0012 -0.0101 -0.0018    True  关注率

1. 年轻用户群体（18-24岁、25-34岁）的互动活跃度较高：

   • 18-24岁和25-34岁群体的点赞率、收藏率、评论率、分享率和关注率显著高于35-44岁群体。
   • 具体差异：
     • 点赞率：18-24岁和25-34岁比35-44岁高 1.20% 和 1.33%。
     • 收藏率：18-24岁和25-34岁比35-44岁高 2.00% 和 2.03%。
     • 评论率：18-24岁和25-34岁比35-44岁高 0.72% 和 0.60%。
     • 分享率：18-24岁和25-34岁比35-44岁高 1.20% 和 0.90%。
     • 关注率：18-24岁和25-34岁比35-44岁高 0.51% 和 0.59%。

2. 35-44岁群体的互动行为较低：

   • 35-44岁群体的互动率在点赞、收藏、评论、分享、关注等方面显著低于18-24岁和25-34岁群体。这表明中年群体在平台上的活跃度较低，可能是因为他们对平台内容的兴趣或参与度相对较弱。

3.3 性别分组分析

# 按性别分组，计算平均互动率
gender_interaction = data.groupby('gender')[interaction_metrics].mean()gender_interaction.plot(kind='bar', figsize=(12, 6))
plt.title('不同性别的用户互动行为')
plt.xlabel('性别')
plt.ylabel('平均互动率')
plt.xticks(rotation=0)
plt.show()

anova_method('gender',interaction_metrics)

ANOVA检验结果：指标   F统计量      p值 显著性（p<0.05）
0  点赞率  29.48  0.0000           是
1  收藏率  21.97  0.0000           是
2  评论率  16.83  0.0000           是
3  分享率  19.67  0.0000           是
4  关注率   8.00  0.0047           是

tukey_method('gender',interaction_metrics)

Tukey HSD检验结果（仅显示显著差异）：group1 group2  meandiff   p-adj   lower   upper  reject   指标
0  Female   Male   -0.0112  0.0000 -0.0152 -0.0072    True  点赞率
1  Female   Male   -0.0123  0.0000 -0.0174 -0.0071    True  收藏率
2  Female   Male   -0.0066  0.0000 -0.0097 -0.0034    True  评论率
3  Female   Male   -0.0086  0.0000 -0.0123 -0.0048    True  分享率
4  Female   Male   -0.0033  0.0047 -0.0055 -0.0010    True  关注率

1. 女性用户的互动活跃度显著高于男性用户：

   • 在点赞率、收藏率、评论率、分享率和关注率等互动行为上，女性用户的活跃度显著高于男性用户。
   • 具体来说：
     • 点赞率：女性比男性高 1.12%。
     • 收藏率：女性比男性高 1.23%。
     • 评论率：女性比男性高 0.66%。
     • 分享率：女性比男性高 0.86%。
     • 关注率：女性比男性高 0.33%。

3.4使用设备分组分析

# 按设备类型分组，计算平均互动率
device_interaction = data.groupby('device_type')[interaction_metrics].mean()device_interaction.plot(kind='bar', figsize=(12, 6))
plt.title('不同设备类型的用户互动行为')
plt.xlabel('设备类型')
plt.ylabel('平均互动率')
plt.xticks(rotation=0)
plt.show()

anova_method('device_type',interaction_metrics)

ANOVA检验结果：指标   F统计量   p值 显著性（p<0.05）
0  点赞率  23.35  0.0           是
1  收藏率  44.56  0.0           是
2  评论率  20.42  0.0           是
3  分享率  37.04  0.0           是
4  关注率  32.99  0.0           是

tukey_method('device_type',interaction_metrics)

Tukey HSD检验结果（仅显示显著差异）：group1 group2  meandiff  p-adj   lower   upper  reject   指标
0  Android    iOS    0.0094    0.0  0.0056  0.0132    True  点赞率
1  Android    iOS    0.0165    0.0  0.0116  0.0213    True  收藏率
2  Android    iOS    0.0068    0.0  0.0039  0.0098    True  评论率
3  Android    iOS    0.0111    0.0  0.0075  0.0146    True  分享率
4  Android    iOS    0.0063    0.0  0.0041  0.0084    True  关注率

1. iOS用户的互动行为显著高于Android用户：

   • 在点赞率、收藏率、评论率、分享率和关注率等互动指标上，iOS用户的活跃度显著高于Android用户。
   • 具体差异：
     • 点赞率：iOS比Android高 0.94%。
     • 收藏率：iOS比Android高 1.65%。
     • 评论率：iOS比Android高 0.68%。
     • 分享率：iOS比Android高 1.11%。
     • 关注率：iOS比Android高 0.63%。

4.内容质量评估

4.1内容质量指标构建

data['完播率'] = data['interaction_time'] / data['length_seconds']
data['点击率'] = data['clicks'] / data['exposures']
data['互动率'] = (data['liked'] + data['favorited'] + data['commented'] + data['shared'] + data['followed_creator']) / data['exposures']

4.2不同内容类型表现

# 按内容类型分组，计算平均完播率、点击率和互动率
content_type_quality = data.groupby('content_type', observed=True)[['完播率', '点击率','互动率']].mean()
# 可视化
content_type_quality.plot(kind='bar', figsize=(12, 6))
plt.title('不同内容类型的质量表现')
plt.xlabel('内容类型')
plt.ylabel('平均值')
plt.xticks(rotation=0)
plt.show()

anova_method('content_type',['完播率', '点击率','互动率'])

ANOVA检验结果：指标   F统计量   p值 显著性（p<0.05）
0  完播率  33.55  0.0           是
1  点击率  90.27  0.0           是
2  互动率  24.38  0.0           是

tukey_method('content_type',['完播率', '点击率','互动率'])

Tukey HSD检验结果（仅显示显著差异）：group1 group2  meandiff  p-adj   lower   upper  reject   指标
0   Note  Video    0.0165    0.0  0.0109  0.0221    True  完播率
1   Note  Video    0.0574    0.0  0.0455  0.0692    True  点击率
2   Note  Video    0.0243    0.0  0.0146  0.0339    True  互动率

1. 视频内容的表现优于笔记内容：

   • 在完播率、点击率和互动率方面，视频（Video）内容显著高于笔记（Note）内容。
   • 具体来说，视频内容的完播率、点击率和互动率分别比笔记内容高出一定幅度。
     • 完播率：视频内容的完播率比笔记高了1.65%。
     • 点击率：视频内容的点击率比笔记高了5.74%。
     • 互动率：视频内容的互动率比笔记高了2.43%。

4.3不同内容主题表现

# 按内容主题分组，计算平均完播率和互动率
topic_quality = data.groupby('topic', observed=True)[['完播率', '点击率','互动率']].mean()topic_quality.plot(kind='bar', figsize=(12, 6))
plt.title('不同内容主题的质量表现')
plt.xlabel('内容主题')
plt.ylabel('平均值')
plt.xticks(rotation=0)
plt.show()

anova_method('topic',['完播率', '点击率','互动率'])

ANOVA检验结果：指标   F统计量   p值 显著性（p<0.05）
0  完播率   7.70  0.0           是
1  点击率  21.28  0.0           是
2  互动率   7.14  0.0           是

tukey_method('topic',['完播率', '点击率','互动率'])

Tukey HSD检验结果（仅显示显著差异）：group1 group2  meandiff   p-adj   lower   upper  reject   指标
0      健身     家居   -0.0307  0.0052 -0.0558 -0.0056    True  完播率
1      健身     旅游   -0.0177  0.0009 -0.0307 -0.0047    True  完播率
2      健身     时尚   -0.0205  0.0257 -0.0397 -0.0014    True  完播率
3      家居     美妆    0.0342  0.0008  0.0093  0.0591    True  完播率
4      旅游     美妆    0.0212  0.0000  0.0086  0.0338    True  完播率
5      时尚     美妆    0.0240  0.0029  0.0051  0.0429    True  完播率
6      美妆     美食   -0.0133  0.0105 -0.0248 -0.0018    True  完播率
7      健身     家居   -0.0667  0.0035 -0.1198 -0.0136    True  点击率
8      健身     旅游   -0.0532  0.0000 -0.0806 -0.0259    True  点击率
9      健身     时尚   -0.0762  0.0000 -0.1166 -0.0357    True  点击率
10     健身     科技   -0.0882  0.0042 -0.1593 -0.0171    True  点击率
11     健身     美食   -0.0345  0.0009 -0.0596 -0.0093    True  点击率
12     家居     美妆    0.0888  0.0000  0.0361  0.1414    True  点击率
13     教育     美妆    0.0888  0.0217  0.0072  0.1704    True  点击率
14     旅游     美妆    0.0753  0.0000  0.0487  0.1019    True  点击率
15     时尚     美妆    0.0982  0.0000  0.0583  0.1381    True  点击率
16     时尚     美食    0.0417  0.0471  0.0003  0.0831    True  点击率
17     科技     美妆    0.1103  0.0001  0.0395  0.1811    True  点击率
18     美妆     美食   -0.0565  0.0000 -0.0808 -0.0322    True  点击率
19     健身     家居   -0.0446  0.0377 -0.0879 -0.0014    True  互动率
20     健身     旅游   -0.0263  0.0088 -0.0486 -0.0039    True  互动率
21     家居     美妆    0.0506  0.0087  0.0076  0.0935    True  互动率
22     教育     美妆    0.0706  0.0285  0.0041  0.1372    True  互动率
23     旅游     美妆    0.0322  0.0002  0.0105  0.0539    True  互动率
24     时尚     美妆    0.0384  0.0084  0.0058  0.0709    True  互动率
25     美妆     美食   -0.0235  0.0079 -0.0433 -0.0037    True  互动率

1. 美妆类内容和健身类全面领跑核心指标：

   • 在完播率、点击率和互动率方面，美妆、健身内容主题显著比其他内容主题好。

   • 具体来说，美妆主题的完播率、点击率和互动率分别比家居、旅游、时尚、美食主题高出一定幅度。

     • 完播率：美妆主题的完播率比家居高了3.42%，比旅游的高了2.12%，比时尚的高2.4%，比美食的高1.33%。
     • 点击率：美妆主题的点击率比家居高了8.88%，比教育的高了8.88%，比旅游的高7.53%，比时尚的高9.82%，比科技的高11.03%，比美食的高5.65%。
     • 互动率：美妆主题的互动率比家居高了5.06%，比教育高了7.06%，比旅游高3.22%，比时尚高3.84%，比美食高2.35%。

   • 健身类主题的完播率、点击率分别比家居、旅游、时尚主题高出一定幅度，但是互动率缺不如美妆类突出。

     • 完播率：健身主题的完播率比家居高了3.07%，比旅游的高了1.77%，比时尚的高2.05%。
     • 点击率：健身主题的点击率比家居高了6.67%，比旅游的高5.32%，比时尚的高7.62%，比科技的高8.82%，比美食的高3.45%。
     • 互动率：健身主题的互动率比家居高了4.46%，比旅游高2.62%。

2. 家居类内容完播率最低：

   • 虽然Tukey HSD检验的结果表明家居类与其他类（除美妆类和健身类）不存在显著差异，但通过直方图可以看到，家具类的完播率是最低的，需要考虑如何提高内容质量，或者缩短内容时长，确保提高完播率。

3. 教育类内容互动率最低：

   • 教育类在完播率上表现比较好，通过Tukey HSD检验发现教育类的完播率与美妆类和健身类不存在显著差异，但是互动率是最低的，需要想办法提高互动率，需要考虑互动情况，吸引用户互动。

4. 科技类内容点击率最低：

   • 科技类与教育类相似，存在某个指标比较低的情况，科技类是点击率较低，可能是因为内容标题不够吸引人，或者只能吸引部分人群导致的，所以在进行推送的时候，科技类可以专门推荐给相关人群，比如最近爆火的Deepseek这一类的可以推送给喜欢看GPT的人群，而不是分享给宝妈、老人等等，因为他们可能不会感兴趣。

5.推荐算法效果分析

# 按推荐来源分组，计算平均点击率和互动率
source_performance = data.groupby('content_source')[['点击率', '互动率']].mean()
source_performance.plot(kind='bar', figsize=(12, 6))
plt.title('不同推荐来源的效果')
plt.xlabel('推荐来源')
plt.ylabel('平均值')
plt.xticks(rotation=0)
plt.show()

anova_method('content_source',['点击率','互动率'])

ANOVA检验结果：指标   F统计量   p值 显著性（p<0.05）
0  点击率  65.37  0.0           是
1  互动率  29.25  0.0           是

tukey_method('content_source',['点击率','互动率'])

Tukey HSD检验结果（仅显示显著差异）：group1 group2  meandiff   p-adj   lower   upper  reject   指标
0     关注  发现页推荐   -0.0463  0.0000 -0.0611 -0.0314    True  点击率
1     关注     搜索    0.0324  0.0001  0.0137  0.0512    True  点击率
2  发现页推荐     搜索    0.0787  0.0000  0.0615  0.0960    True  点击率
3     关注  发现页推荐   -0.0237  0.0000 -0.0358 -0.0116    True  互动率
4     关注     搜索    0.0200  0.0060  0.0047  0.0352    True  互动率
5  发现页推荐     搜索    0.0437  0.0000  0.0296  0.0577    True  互动率

1. 搜索得到的内容点击率、互动率是最好的：

   • 具体来说，搜索得到的内容点击率、互动率分别比关注、发现页推荐得到的内容高出一定幅度。
     • 点击率：搜索的点击率比关注高了3.24%，比发现页推荐高了7.87%。
     • 互动率：搜索的互动率比关注高了2%，比发现页推荐高了4.37%。

2. 关注的内容点击率、互动率是第二好的：

   • 具体来说，关注得到的内容点击率、互动率分别比发现页推荐得到的内容高出一定幅度。
     • 点击率：关注的点击率比发现页推荐高了4.63%。
     • 互动率：关注的互动率比发现页推荐高了2.37%。

6.用户分群分析

features = data[['点赞率', '收藏率', '评论率', '分享率', '关注率']].copy()
scaler = StandardScaler()
x_scaled = scaler.fit_transform(features)

agg_cluster = AgglomerativeClustering(n_clusters=3)
agg_labels = agg_cluster.fit_predict(x_scaled)# 输出聚类结果
print("层次聚类得到的标签：", np.unique(agg_labels))
print("层次聚类 Silhouette Score:", silhouette_score(x_scaled, agg_labels))

层次聚类得到的标签： [0 1 2]
层次聚类 Silhouette Score: 0.7362942512914383

# 使用 t-SNE 将数据降到二维
tsne = TSNE(n_components=2, random_state=15)
x_tsne = tsne.fit_transform(x_scaled)# 绘制层次聚类结果
plt.figure(figsize=(8, 6))
plt.scatter(x_tsne[:, 0], x_tsne[:, 1], c=agg_labels, cmap='viridis', s=30)
plt.title("层次聚类结果 (t-SNE 降维后)")
plt.xlabel("t-SNE 组件 1")
plt.ylabel("t-SNE 组件 2")
plt.colorbar(label='聚类标签')
plt.show()

可以看到，层次聚类效果还是不错的，这里我做一个解释，为啥要使用t-SNE来降维，因为数据之间的线性关系非常弱，如图为皮尔逊相关系数矩阵：

在非线性的数据中，使用t-SNE能更好地揭示簇的结构。

data['聚类'] = agg_labels
# 计算每个聚类的均值
cluster_means = data.groupby('聚类')[['点赞率', '收藏率', '评论率', '分享率', '关注率']].mean()
# 对每个特征进行归一化处理（每个特征单独归一化）
normalized_means = cluster_means.apply(lambda x: (x - x.min()) / (x.max() - x.min()))# 绘制热力图
plt.figure(figsize=(15, 8))
sns.heatmap(normalized_means.T, cmap='coolwarm',  # 热力图颜色center=0.5,  # 中心值vmin=0,  # 最小值vmax=1,  # 最大值annot=cluster_means.T.round(2),  # 显示原始均值（未归一化的均值）fmt='.2f',  # 格式化显示的数字cbar_kws={'label': '标准化得分'})  # 颜色条标签plt.xlabel('聚类')
plt.ylabel('特征')
plt.title('各聚类特征分布热力图 (颜色深浅表示在该特征中的相对大小)')
plt.tight_layout()
plt.show()

for cluster in range(3):cluster_data = data[data['聚类'] == cluster]dist = cluster_data['content_source'].value_counts(normalize=True) * 100print(f"\nCluster {cluster} ({len(cluster_data)}人):")print(dist.round(2))

Cluster 0 (126人):
content_source
关注       38.10
发现页推荐    38.10
搜索       23.81
Name: proportion, dtype: float64Cluster 1 (7604人):
content_source
发现页推荐    50.43
关注       30.21
搜索       19.36
Name: proportion, dtype: float64Cluster 2 (270人):
content_source
发现页推荐    40.00
关注       35.56
搜索       24.44
Name: proportion, dtype: float64

• 类0 (126人)：这类用户的互动情况最好，但他们来自关注和发现页推荐的比例相同（38.10%），而搜索比例较低（23.81%）。这表明这部分用户对于推荐的内容非常积极互动，但并没有转化为关注。需要进一步研究是什么原因导致用户互动后不关注。鉴于这类用户数量较少，建议通过优化推荐算法或增加互动后的关注提示，提高这类用户的关注率，同时尝试将其他用户转化为这类高互动用户。

• 类1 (7604人)：这是人数最多的一类，但互动情况最差。发现页推荐占了50.43%，关注占30.21%，搜索占19.36%。这说明推荐算法可能存在问题，需要进行调整。由于无法进一步探索每个用户的喜好，建议从业务角度获取更多用户行为数据，以便构建详细的用户画像，从而进行更有针对性的推荐，提高互动率。

• 类2 (270人)：这类用户的互动情况一般，但关注率特别高（关注35.56%，发现页推荐40.00%，搜索24.44%）。这表明这部分用户对推荐内容有一定的忠诚度，但互动不如类0。建议继续保持高关注率，同时通过增加互动性内容或活动来提升他们的互动率。

7.用户行为路径分析

# -------------------------------
# 1. 计算整体漏斗数据（曝光、点击、聚合互动）
# -------------------------------
exposures_total = data['exposures'].sum()
clicks_total = data['clicks'].sum()
interaction_total = (data['liked'].sum() + data['favorited'].sum() +data['commented'].sum() + data['shared'].sum() +data['followed_creator'].sum())# 构建整体漏斗数据
funnel_data = {'阶段': ['曝光', '点击', '互动'],'数量': [exposures_total, clicks_total, interaction_total]
}
funnel_df = pd.DataFrame(funnel_data)
funnel_df['转化率'] = funnel_df['数量'] / funnel_df['数量'].shift(1)
funnel_df.loc[0, '转化率'] = 1  # 曝光阶段设为100%# 绘制整体漏斗柱状图
plt.figure(figsize=(10, 6))
sns.barplot(x='阶段', y='数量', data=funnel_df, color='skyblue')
plt.title("用户行为漏斗分析（总体）")
plt.xlabel("行为阶段")
plt.ylabel("数量")
for i, row in funnel_df.iterrows():plt.text(i, row['数量'] + max(funnel_df['数量'])*0.01,f"转化率: {row['转化率']:.1%}",ha='center', va='bottom', fontsize=12)
plt.tight_layout()
plt.show()

整体转化率分析：

• 曝光到点击转化率为 25.7%，表明约四分之一的用户在看到内容后会点击进入，但仍有较大优化空间，把内容封面和标题设计得更吸引人，比如用热点话题或有趣的图片抓住用户的眼球，同时推送更符合用户兴趣的内容，减少那些用户不感兴趣的内容浪费曝光机会。
• 点击到互动转化率为 29.9%，说明点击后的用户中，近三分之一会参与互动，但互动率仍需提升。

# -------------------------------
# 2. 对点击后的互动行为进行分解分析
# -------------------------------
# 分别计算各互动行为的总数
liked_total = data['liked'].sum()
favorited_total = data['favorited'].sum()
commented_total = data['commented'].sum()
shared_total = data['shared'].sum()
followed_total = data['followed_creator'].sum()# 构建点击后各互动行为的数据（以点击数为基数计算转化率）
interaction_data = {'互动行为': ['点赞', '收藏', '评论', '分享', '关注'],'数量': [liked_total, favorited_total, commented_total, shared_total, followed_total]
}
interaction_df = pd.DataFrame(interaction_data)
interaction_df['点击转化率'] = interaction_df['数量'] / data['clicks'].sum()# 绘制点击后各互动行为转化率的柱状图
plt.figure(figsize=(10, 6))
# 将 '互动行为' 同时作为 x 和 hue，并设置 dodge=False，再关闭图例
ax = sns.barplot(x='互动行为', y='点击转化率', data=interaction_df, hue='互动行为', palette='viridis', dodge=False)plt.title("点击后各互动行为转化率")
plt.xlabel("互动行为")
plt.ylabel("转化率")
# 在柱上标注转化率（百分比）和原始数量
for i, row in interaction_df.iterrows():plt.text(i, row['点击转化率'],f"{row['点击转化率']:.1%}\n({int(row['数量'])})",ha='center', va='bottom', fontsize=12)
plt.ylim(0, max(interaction_df['点击转化率']) + 0.1)
plt.tight_layout()
plt.show()

点击后互动行为转化率：

• 收藏转化率最高（11.3%），表明用户对内容的保存意愿较强，可能因内容对用户具有一定的参考价值，通过提示收藏的功能价值（如便捷访问、存储有价值内容），进一步提高收藏率。
• 点赞转化率为 7.4%，用户有一定的认可意愿，但未达到理想水平，可以添加点赞后的即时反馈（如动态动画或点赞计数展示），提升用户点赞意愿。
• 评论转化率为3.9%，表明用户对深度表达的参与度较低，可以提供评论奖励（如热评展示、积分奖励）或引导用户参与话题讨论，增加评论量。
• 分享转化率为 5.0%，用户传播内容的意愿较低，需要进一步激励，可以添加分享奖励机制（如分享后获得特定权益），并优化分享功能的便捷性，实现跨平台分享。
• 关注转化率最低（2.4%），说明内容对长期吸引用户关注的效果较弱，可以在用户互动后主动提示关注，如“关注后不错过更多精彩内容”，增强用户关注率。

8.关键结论

结论 1：年轻用户和女性用户更爱互动

• 年轻用户更活跃：
  18-34岁用户的点赞、收藏、评论、分享、关注等互动行为明显高于35岁以上用户。例如，18-24岁用户的点赞率比35-44岁群体高了1.20%，收藏率高了2.00%。
  建议： 针对年轻用户多推优质内容，提升互动黏性；考虑优化中年用户的推荐内容，吸引他们更多参与。

• 女性用户的互动活跃度显著高于男性用户：
  女性用户比男性用户的点赞率高1.12%，收藏率高1.23%，评论率高0.66%，分享率高0.86%，关注率高0.33%。
  建议： 针对女性用户设计更符合她们兴趣的内容，比如美妆、时尚等热门主题；同时通过内容创新吸引男性用户提升互动率。

结论2：iOS用户比Android用户更愿意互动

• iOS用户点赞、收藏、分享等行为更活跃：
  iOS用户的点赞率比Android用户高0.94%，收藏率高1.65%，分享率高1.11%，评论率高1.65%，关注率高0.63%。
  建议： 针对iOS用户群体优化内容推送策略，同时提升Android用户的使用体验，增加他们的互动意愿。

结论3：视频内容的表现优于笔记内容

• 视频内容质量更高：
  视频的完播率比笔记内容高1.65%，点击率高5.74%，互动率高2.43%。
  建议： 优先生产视频内容，特别是在高互动人群中推广，同时优化笔记内容的呈现方式以增强吸引力。

结论4：美妆类和健身类内容表现最佳

• 美妆类内容全面领跑：
  美妆主题的完播率、点击率和互动率均高于其他主题。例如，美妆的点击率比教育内容高8.88%，互动率比家居内容高5.06%。
• 健身类内容表现次之：
  健身内容的完播率和点击率也很高，但互动率稍低于美妆。
  建议： 持续生产美妆和健身优质内容，推广它们的成功经验；对家居和教育类等内容加强优化，提高完播率和互动率。

结论5：搜索推荐效果最好

• 搜索来的内容表现最佳：
  搜索推荐的点击率比关注内容高3.24%，比发现页推荐高7.87%；互动率也比发现页推荐高4.37%。
  建议： 强化搜索功能，优化搜索推荐逻辑，提升内容精准度；发现页推荐需要调整算法，增强推送内容的吸引力和互动效果。

结论6：数据可以划分为三类用户

• 类0：这类用户很喜欢互动，但不爱关注，需要研究为什么他们不关注，并通过一些小提示或改进推荐，让他们更愿意关注。同时，要想办法让更多用户变成这样爱互动的用户。

• 类1：这是人数最多但互动最少的一类，主要通过推荐页面接触内容，推荐算法可能不太对劲，需要调整，建议收集更多关于这些用户的行为数据，了解他们的喜好，推荐更合适的内容，增加他们的互动。

• 类2：这类用户关注很多，但互动一般。要保持他们高的关注度，同时通过一些有趣的内容或活动，鼓励他们更多互动。

结论7：用户互动行为的转化率有提升空间

• 曝光到点击转化率偏低：
  仅**25.7%**的用户从曝光到点击，说明大多数用户对推荐内容不感兴趣。
  建议： 优化内容封面和标题设计，通过热点话题和吸引眼球的图片提升点击率。

• 互动行为转化差异大：

  • 收藏（11.3%）转化率最高： 用户倾向于保存感兴趣的内容。
  • 评论（3.9%）和关注（2.4%）转化率最低： 用户深度参与和长期关注的意愿较低。
    建议：
  • 鼓励用户收藏内容，强调收藏的价值；
  • 提供评论奖励或引导深度讨论，增加评论量；
  • 在用户点赞或收藏后，提示关注创作者，提升关注转化率。