martinatn95-wq/conectatel-analysis

# 用户行为分析 (EDA) ## 项目目标 本项目旨在通过事件数据集分析用户行为，识别交互模式、参与度以及数据质量中可能存在的问题。 主要目标包括： * 了解每位用户的使用频率 * 分析事件的持续时间和交互水平 * 检测数据中的不一致之处 * 生成有助于决策的洞察 ## 使用的数据集 本分析基于模拟的用户活动数据集，包含以下主要变量： * `id`：每个事件的唯一标识符 * `user_id`：用户标识符 * `duration`：事件持续时间 * `length`：交互长度（例如，文本） * `city`：用户所在城市 * `plan`：套餐类型（基础 / 高级） * `usage_type`：使用类型（call / text） ## 分析阶段 ### 1. 初步探索 (EDA) * 查看描述性统计信息 (`describe`) * 识别异常值和数据分布 * 检测缺失值 ### 2. 数据清洗 * 替换无效值（`-999`, `0`） * 处理空值 * 标准化分类变量（例如，带有 `?` 等值的 city） ### 3. 异常值检测与处理 * 使用 IQR（四分位距）方法 * 删除或限制 (capping) 极端值 ### 4. Feature Engineering * 创建基于用户的指标： * 事件数量 * 平均持续时间 * 平均交互长度 ### 5. 行为分析 * 用户细分 * 持续时间与使用类型之间的关系 * 按套餐类型进行比较 ## 如何运行 notebook 您可以通过以下方式运行此分析： ### 选项 : 本地 (Jupyter Notebook) 1. 克隆此仓库： ``` git clone https://github.com/martinatn95-wq/conectatel-analysis ``` ## 关键结果 * 识别出不一致的数据（值为 0 和 -999） * 在持续时间和长度方面存在显著的异常值 * 不同类型用户的行为差异 * 结构化为事件级别的数据集，便于进行参与度分析 ## 展示的技能 * 数据清洗与预处理 * 探索性数据分析 (EDA) * 异常值检测 * Feature Engineering * 用户行为分析 ## 备注 本项目是专注于数据分析的作品集的一部分，旨在模拟真实的商业案例。

标签：NoSQL, 代码示例, 探索性数据分析(EDA), 数据分析, 数据清洗, 特征工程, 用户行为分析, 逆向工具