R语言分析用户购买行为的代码

以下是使用R语言进行用户购买行为分析的示例代码，包括数据预处理、特征工程和建立模型等步骤。

1. 数据预处理

首先，读入原始数据并进行清洗和预处理：

library(dplyr)
library(tidyr)

# 读入原始数据
data <- read.csv("data.csv")

# 去除重复数据
data <- distinct(data)

# 删除缺失值
data <- na.omit(data)

# 将日期转化为时间格式
data$date <- as.Date(data$date, "%Y-%m-%d")

# 将数据按用户和日期进行聚合
data_agg <- data %>%
  group_by(user, date) %>%
  summarize(total_amount = sum(amount), 
            total_items = sum(items))

2. 特征工程

接下来，将聚合后的数据进行特征工程，构造用户购买行为的特征：

# 计算用户的平均购买金额和购买数量
data_agg <- data_agg %>%
  group_by(user) %>%
  mutate(avg_amount = mean(total_amount), 
         avg_items = mean(total_items))

# 计算用户的购买频率和最近一次购买时间
data_agg <- data_agg %>%
  group_by(user) %>%
  mutate(purchase_freq = n(), 
         last_purchase_date = max(date))

# 将数据转化为宽格式
data_wide <- pivot_wider(data_agg, 
                         names_from = date, 
                         values_from = c(total_amount, total_items))

3. 建立模型

最后，使用建立好的特征数据，建立用户购买行为的预测模型。这里使用逻辑回归模型作为示例：

library(caret)

# 将数据集划分为训练集和测试集
set.seed(123)
trainIndex <- createDataPartition(data_wide$label, p = 0.8, list = FALSE)
data_train <- data_wide[trainIndex, ]
data_test <- data_wide[-trainIndex, ]

# 建立逻辑回归模型
model <- train(label ~ ., 
               data = data_train, 
               method = "glm",
               family = "binomial")

# 在测试集上进行预测
predictions <- predict(model, newdata = data_test)

以上就是使用R语言进行用户购买行为分析的示例代码。需要注意的是，在实际使用中，需要根据具体情况进行修改和完善。