构造用户画像代码

以下是一个简单的用户画像构造代码示例，基于用户的行为和属性数据：

import pandas as pd

# 读取用户数据
user_data = pd.read_csv('user_data.csv')

# 计算用户活跃度
user_data['activity_score'] = user_data['login_count'] + user_data['comment_count'] + user_data['post_count']

# 计算用户消费能力
user_data['spending_score'] = user_data['order_count'] * user_data['average_order_value']

# 计算用户偏好
user_data['preference_score'] = user_data['category1_count'] + user_data['category2_count'] + user_data['category3_count']

# 将分数标准化到[0, 1]范围内
for col in ['activity_score', 'spending_score', 'preference_score']:
    user_data[col] = (user_data[col] - user_data[col].min()) / (user_data[col].max() - user_data[col].min())

# 计算综合用户画像
user_data['user_profile'] = user_data.apply(lambda x: 
                                            ('active' if x['activity_score'] > 0.5 else 'inactive') + 
                                            (' high_spender' if x['spending_score'] > 0.5 else ' low_spender') + 
                                            (' fashionista' if x['preference_score'] > 0.5 else ' practical'), 
                                            axis=1)

# 输出用户画像
print(user_data['user_profile'])

以上代码假设用户数据保存在一个名为 `user_data.csv` 的文件中，包含登录次数、评论次数、发帖次数、订单次数、平均订单金额、三种商品类别的购买次数等属性。代码根据这些属性计算用户活跃度、消费能力和偏好得分，然后将这些分数标准化到[0, 1]范围内。最后，根据不同分数区间，为每个用户构建一个简单的用户画像，包括活跃度、消费能力和偏好等方面的特征。