一、研究背景：

数据来源于kaggle发布的Black Friday当日美国某电商销售数据。数据集一共有550068行，每行12个字段。目的是通过此数据集来研究Black Friday当日的产品销售表现及消费者行为，并为电商平台制定策略提供分析及建议。
数据来源：https://www.kaggle.com/sdolezel/black-friday

1.1分析思路

1、用户画像分析
从用户的性别、年龄、职业、婚姻状态等特征进行分析，探究最优价值的用户类型。
2、产品分析
（1）“黑色星期五”期间销量top10的产品
（2）用户在不同年龄和居住年数期间对产品需求趋势
（3）男性和女性（未婚、已婚）对于哪种类型的产品求量更大
（4）不同城市对产品的需求分析
3、随机森林建模
目的：使用随机森林算法对不同人群的购买行为进行预测
（1）缺失值处理
（2）特征工程
（3）调整参数
（4）模型训练

1.2字段说明：

User_ID：用户编码，用户唯一标识
Product_ID：产品编码，商品唯一标识
Gender：性别（F表示女性，M表示男性）
Age：年龄（分0-17、18-25、26-35、36-45、46-50、51-55、55+共7个年龄段）
Occupation：职业（由0~20数字组成，分成21个类别）
City_Category：城市类别（分A、B、C共3个类别）
Stay_In_Current_City_Years：在当前城市停留的年份（分0、1、2、3、4+共5个类别）
Marital_Status：婚姻状况（0表示未婚，1表示已婚）
Product_Category_1：商品所属分类1
Product_Category_2：商品所属分类2
Product_Category_3：商品所属分类3
Purchase：消费金额（单位：美元）

二、数据处理

只有Product_Category_2和Product_Category_3存在缺失值。首先选择0填补，方便后续的产品分析；在后面构建特征工程时，将重新对缺失值进行处理。

2、用户画像分析

根据获取的字段信息，将用户画像分为六个部分：性别(Gender)，婚姻状态(Marital_Status)，年龄(Age)，职业(Occupation)，城市类别(City_Category)，居住年数(Stay_In_Current_City_Years)。

分析结论：

Gender：男性用户是消费主力。“黑色星期五”期间，男性用户数量远多于女性用户。
Marital_Status：本次黑色星期五用户中，未婚用户购买次数约是已婚用户的1.44倍，其中未婚男性用户数量最多。
Age：产品的主要购买人群集中在18-45年龄段，其中26-35岁的中青年群体贡献最大。
Occupation：购买次数前五的职业为4，0，7，1，17，建议结合具体的业务背景对职业进行相关分析。
City_Category：B城市的用户数量和用户总购物金额最多。但是C城市的用户人均购物金额最高，达到9719.92元，远高于B城市的9151.30元，同时C城市的用户数量高达第二名。这从侧面表明了C城市的高价值用户数量多，C城市是一个具有无限潜力的城市。
Stay_In_Current_City_Years：在城市中居住1年的用户购买次数最多。