建模那点事儿——实战篇
文首声明：此文中的所有数据均为个人在14年初收集而来，不保证其有效性，请勿使用该数据进行商业活动。
再声明：这个模型是我两年前做的东西了，有一些细节可能因为记忆问题有错误，各位有看不懂的地方请直接问，我尽量解答。
上一篇我写了个建模的流程，有过建模经验的人自然懂，没有经验的各位也不要着急，这次我以一个真实模型为例，给大家详细讲述建模的各个步骤。
照例，先上流程图：
大家可以看到，这个图是由我之前文章中的两张图拼合而来，而我今天讲的这个真实模型，将把图中所有的流程都走一遍，保证一个步骤都不漏。
Step 0：项目背景
话说这个项目跟我加入百度有直接关系……
2013年的最后一天，我结束了在三亚的假期，准备坐飞机回家，这时候接到一个知乎私信，问我对百度的一个数据科学家（其实就是数据分析师啦）职位是否感兴趣，我立刻回信，定了元旦假期以后去面试。两轮面试过后，面试官——也是我加入百度后的直属Leader——打电话给我，说他们对我的经历很满意，但是需要我给他们一份能体现建模能力的报告。
按说这也不是一件难事，但我翻了翻电脑后发现一个问题：我从上家公司离职时，为了装13，一份跟建模相关的报告文件都没带……最后双方商定，我有一个星期时间来做一份报告，这份报告决定了我是否能加入百度。
那么，是时候展示我的技术了！我的回合，抽卡！
Step 1：目标确定
看看报告的要求：
数据最好是通过抓取得来，需要用到至少一种（除描述统计以外）的建模技术，最好有数据可视化的展示
看来是道开放题，那么自然要选择一个我比较熟悉的领域，因此我选择了……《二手主机游戏交易论坛用户行为分析》
为啥选这个呢？你们看了我那么多的Mario图，自然知道我会选主机游戏领域，但为什么是二手？这要说到我待在国企的最后半年，那时候我一个月忙三天，剩下基本没事干，因此泡在论坛上倒卖了一段时间的二手游戏……
咳咳……总之，目标就确定了：分析某二手主机游戏交易论坛上的帖子，从中得出其用户行为的描述，为用户进行分类，输出洞察报告。
Step 2：数据获取
简单来说，就是用python写了个定向爬虫，抓了某个著名游戏论坛的二手区所有的发帖信息，包括帖子内容、发帖人信息等，基本上就是长这个样子：
（打码方式比较简单粗暴，请凑合看吧……）
Step 3：数据清洗
这个模型中的数据清洗，主要是洗掉帖子中的无效信息，包括以下两类：
1、论坛由于其特殊性，很多人成交后会把帖子改成《已出》等标题，这一类数据需要删除：
2、有一部分人用直接贴图的方式放求购信息，这部分体现为只抓到图片链接，需要删除。
数据清洗结束了么？其实并没有，后边会再进行一轮清洗……不过到时再说。
Step 4：数据整理
用上面的那些帖子数据其实是跑不出啥结果的，我们需要把数据整理成可以进一步分析的格式。
首先，我们给每条帖子打标签，标签分为三类：行为类型（买 OR 卖 OR 换），目标厂商（微软 OR 索尼 OR 任天堂），目标对象（主机 OR 游戏软件）。打标签模式是”符合关键词—打相应标签“的方法，关键词表样例如下：
（主机掌机那个标签后来我在实际操作时没有使用）
打完标签之后，会发现有很多帖子没有打上标签，原因有两种：一是关键词没有涵盖所有的产品表述（比如三公主这种昵称），二是有一部分人发的帖子跟买卖游戏无关……
这让人怎么玩……第二次数据清洗开始，把这部分帖子也洗掉吧。
其次，我们用发帖用户作为视角，输出一份用户的统计表格，里边包含每个用户的发帖数、求购次数、出售次数、交换次数、每一类主机/游戏的行为次数等等，作为后续搭建用户分析模型之用。表格大概长这个样子：
之后这个表的列数会越来越多，因为数据重构的工作都在此表中进行。
整理之后，我们准备进行描述统计。
Step 5 & 6：描述统计 & 洞察结论
描述统计在这个项目中的意义在于，描述这一社区的二手游戏及主机市场的基本情况，为后续用户模型的建立提供基础信息。
具体如何进行统计就不说了，直接放成品图，分别是从各主机市场份额、用户相互转化情况、地域分布情况进行的洞察。
Step 7 & 8：选择变量 & 选择算法
因为我要研究的是这些用户与二手交易相关的行为，因此初步选择变量为发帖数量、微软主机拥有台数、索尼主机拥有台数、任天堂主机拥有台数。
算法上面，我们的目标是将用户分群，因此选择聚类，方法选择最简单的K-means算法。
Step 9 & 10：设定参数 & 加载算法
K-means算法除了输入变量以外，还需要设定聚类数，我们先拍脑袋聚个五类吧！
（别笑，实际操作中很多初始参数都是靠拍脑袋得来的，要通过结果来逐步优化）
看看结果：
第一类别的用户数跟总体已经很接近了，完全没有区分度啊！
Step 7‘ & 8’ & 9‘ & 10’ & 11：选择变量 & 选择算法 &设定参数 & 加载算法 &重构变量
这一节你看标题都这么长……
既然我们用原始值来聚类的结果不太好，那么我把原始值重构成若干档次，比如发帖1-10的转换为1,10-50的转换为2，依次类推，再聚一次看看结果。
哦哦！看上去有那么点意思了！不过有一类的数量还是有一点少，我们聚成四类试试：
哦哦，完美！ 我们运气不错，一次变量重构就输出了一个看上去还可以的模型结果，接下来去测试一下吧。
Step 12：结果测试
测试过程中，很重要的一步是要看模型的可解释性，如果可解释性较差，那么打回重做……
接下来，我们看看每一类的统计数据：
这个表出来以后，基本上可以对我们聚类结果中的每一类人群进行解读了。结果测试通过！
Step 13 & 14 & 15：输出规则 & 模型加载 & 报告撰写
这个模型不用回朔到系统中，因为仅仅是一个我们用来研究的模型而已。因此，输出规则和模型加载两步可以跳过，直接进入报告撰写。
聚类模型的结果可归结为下图：
眼熟不？在我的第二篇专栏文章第一份数据报告的诞生 - 一个数据分析师的自我修养 - 知乎专栏 中，我用这张图来说明了洞察结论的重要性，现在你们应该知道这张图是如何得来的了。
撰写报告的另外一部分，在描述统计-洞察结论的过程中已经提到了，把两部分放在一次，加上背景、研究方法等内容，就是完整的报告啦！
最后附送几张各类用户发帖内容中的关键词词云图：
那么，这篇文章就到此结束了，最后的最后，公布一下我做这份报告用到的工具：
大家可以看到，要当一个数据分析师，要用到很多类别的工具，多学一点总是没有坏处的，在此与大家共勉。
想了解数据分析报告更多的黑科技，天善学院联合知乎大神，前百度资深数据分析师陈丹奕老师推出《数据分析报告制作秘籍升级版》参团课程。
参团：扫码 | 阅读原文