天池——安泰杯

赛题目标：通过用户历史订单数据，预测用户下一次购买的商品。

赛题数据：数据保存为四个文件中，训练数据(Antai_AE_round1_train_20190626.csv)、测试数据(Antai_AE_round1_test_20190626.csv)、商品信息(Antai_AE_round1_item_attr_20190626.csv)、提交示例(Antai_AE_round1_submit_20190715.csv)

1. 训练数据：用户每次购买的商品id，订单日期以及用户国家标识

2. 测试数据：较于训练数据，测试数据剔除了用户需要预测最后一次购买记录

3. 商品信息：商品id、品类id、店铺id和商品价格

4. 提交示例：预测用户购买商品Top30的item_id依概率从高到低排序，buyer_admin_id,predict 1,predict 2,…,predict 30

训练集样本量是 12868509
测试集样本量是 166832
样本比例为： 77.13453653975256

源数据中都木有空值，但是由于某些商品，不在商品表，因此缺少了一些价格、品类信息。

数据探查

1.buyer_country_id 国家编号

本次比赛给出若干日内来自成熟国家的部分用户的行为数据，以及来自待成熟国家的A部分用户的行为数据，以及待成熟国家的B部分用户的行为数据去除每个用户的最后一条购买数据，让参赛人预测B部分用户的最后一条行为数据。

• 训练集中有2个国家数据，xx国家样本数10635642，占比83%，yy国家样本数2232867条，仅占17%
• 预测集中有yy国家的166832数据, 训练集中yy国样本数量是测试集中的13倍，如赛题目的所言，期望通过大量成熟国家来预测少量带成熟国家的用户购买行为

2.buyer_admin_id 用户编号

训练集中用户数量 809213

测试集中用户数量 11398

同时在训练集测试集出现的有6位用户，id如下： [12647969, 13000419, 3106927, 12858772, 12929117, 12368445]

3.用户记录数分布

用户记录数进行了一波简单的探查：

• 训练集中记录了809213个用户的数据，其中id为10828801的用户拔得头筹，有42751条购买记录，用户至少都有8条记录
• 测试集中记录了11398个用户的数据，其中id为2041038的用户勇冠三军，有1386条购买记录，用户至少有7条记录
• 用户记录数大都都分布在0~50，少量用户记录甚至超过了10000条

        Notes: 验证集中用户最少仅有7条，是因为最后一条记录被抹去

       

用户记录数进一步探查结论：

* 不管是训练集还是验证集，99%的用户购买记录都在50条内，这是比较符合正常逻辑
* TODO:对于发生大量购买行为的用户，后面再单独探查，是否有其他规律或疑似刷单现象

4.item_id 商品编号

商品表中商品数： 2832669
训练集中商品数： 2812048
测试集中商品数： 104735
仅训练集有的商品数： 2735801
仅测试集有的商品数： 28488
训练集测试集共同商品数： 76247
训练集中不在商品表的商品数： 7733
测试集中不在商品表的商品数： 313

初步数据发现：

• 训练集中出售最多商品是12691565，卖了112659次。
• 测试集中出售最多商品是5595070 ，卖了112659次。
• 大部分商品只有1次出售记录，符合电商长尾属性
• 比较奇怪的yy国中，训练集和测试集中热销商品并不太一样

很明显：

• 训练集中7月份数据远小于8月份数据
• 训练集中xx国和yy国每日销量趋势十分相似，且在27日有个波峰

来自知乎：https://zhuanlan.zhihu.com/p/74661459