企业官网建设流程全解析

简介：基于Jupyter Notebook的Python用户画像构建源码，面向数据科学家、分析工程师与运营人员，提供一套可直接参考落地的用户画像分析流程。资源以泰坦尼克号数据集为切入，覆盖数据清洗、特征提取、可视化展示与画像建模等环节，能帮助读者理解如何从用户行为与基础属性中提炼标签，支撑产品定位与个性化推荐等场景。压缩包共20个文件，包含13个CSV格式数据文件、4个IPython Notebook核心代码、1个Python脚本及1个PNG图表和1个说明文档，整体大小118.46MB，目录结构区分了画像构建与入门示例模块，便于按需取用。Pandas完成表格处理，Matplotlib/Seaborn绘制分布图，Notebook内代码注释清晰，可结合自身数据替换复用。已有125人学习下载，适合希望快速上手用户画像构建、补齐数据分析实战经验的中级Python用户。

1. 用户画像不是报表：一张标签表背后的数据决策逻辑

做用户画像这几年，最常被问的一句话是：用户画像是不是就是按性别、年龄段拉一张透视表？答案是否定的。透视表回答的是“有多少人”，用户画像回答的是“这些人是谁、接下来会做什么”。运营同学想圈出高价值人群，产品同学想看新老用户的行为差异，算法同学要喂特征，背后的基础都是同一张画像标签表。这篇文章要分享的，就是我用 Jupyter Notebook 搭的一套 Python 用户画像构建源码：从原始订单和访问日志到一张可直接落库的画像宽表，每个单元格都能直接跑、能改参数、能看到中间结果。适合刚入门 python 数据分析、又不想只看视频教程的读者，更适合理清思路后想复现一份完整源码的人。

2. 先把Jupyter Notebook的环境喂饱：从安装到默认保存路径的实战设置

2.1 为什么用户画像开发首选Jupyter Notebook

说句实在话，用户画像这种任务，中间结果特别多。你清洗完要做缺失值统计，分完箱想看每个箱的覆盖人数，打完标签要核对映射逻辑有没有错位。用纯 .py 脚本写当然能跑，但每次验证都要 print 或者把中间表导到 Excel 里翻，效率很低。

Jupyter Notebook 的单元格执行模型天然适合这种逐步调试的活。我一般的做法是：一个单元格放一个处理阶段，上一个阶段的 DataFrame 留在内存里，下一个单元格直接接着用，画图、取样、改类型都在旁边完成。而且 Notebook 本身就带数据结构展示，pandas 的 DataFrame 会渲染成带滚动条的表格，省掉很多head()的输出空间。

另外一个对新手友好的点：标题里的“源码分享”，在 Jupyter Notebook 里面是真正意义上的“源码即笔记”。Code 单元格里写 Python 代码，Markdown 单元格里可以记录当时的判断。跑通一次之后，这份 Notebook 既是代码，又是对外的交付文档。我经常直接把 notebook 导出成 HTML 发给业务方，对方看到的不是一团代码，而是带图带结论的分析过程。

2.2 用Anaconda一次装齐Python数据科学生态

如果你刚装了 python 还没装库，我建议别一个个去 pip install。常见做法是装 Anaconda，它自带 python、Jupyter Notebook、pandas、numpy、matplotlib、scikit-learn 这一整套数据科学常用库。装完之后 conda 管理环境比裸 pip 稳妥很多，尤其是用户画像要用的 scikit-learn 这类带二进制的包，conda 会帮你处理依赖兼容性。

创建一个独立环境，避免把 base 环境搞乱：

conda create -n user_profile python=3.9 -y conda activate user_profile conda install jupyter notebook pandas numpy matplotlib seaborn scikit-learn -c conda-forge -y

参数说明：-n user_profile是给环境起名；python=3.9 是我常用的稳定版本，3.10 以上部分旧代码在 pandas 的append方法上有兼容问题；-c conda-forge指定的是社区频道，里面的包通常比默认频道更新，seaborn 这类绘图库建议从这里装。装完后在终端敲jupyter notebook，能启动就说明环境通了。

2.3 调整Jupyter Notebook默认保存路径与工作目录

热搜里“jupyter notebook默认保存路径”这个问题，几乎每个用过 Notebook 的人都会遇到一次。默认情况下，启动 Notebook 之后，文件树停留在你启动命令所在的那个目录。如果把 notebook 文件放在其他盘，每次都要一层层点进去，还经常出现“我在路径 A 启动，却找不到路径 B 里的 ipynb”的困惑。

我一般会固定一个工作目录，比如D:\projects\user_profile。先改配置：

jupyter notebook --generate-config

执行后会生成一个jupyter_notebook_config.py文件，Windows 下通常在C:\Users\你的用户名\.jupyter\目录里。编辑这个文件，把这一段改掉：

# c.NotebookApp.notebook_dir = '' c.NotebookApp.notebook_dir = 'D:/projects/user_profile'

注意这里用的是正斜杠。改完保存，重新启动 Jupyter Notebook，左侧文件列表直接就是你指定的画像项目目录。还有一个更省事的启动方式：在 Windows 的快捷方式里把“起始位置”填成目标目录，不用改配置也能定位到那里。不过对公司电脑，改配置一次生效更省心。

提示：如果找不到配置文件，可以执行jupyter --config-dir，终端会打印真正的配置目录，以这个输出为准。

2.4 中文字体和绘图负号设置

用户画像的结果图里免不了要写“消费金额”“活跃天数”这些中文标签，matplotlib 默认字体对中文支持很差，不设置的话出来全是方块。这个坑很小，但几乎每个初学 python 画图的人都会碰上。

在 Notebook 开头统一设置一次：

import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['Microsoft YaHei', 'SimHei', 'Arial Unicode MS'] plt.rcParams['axes.unicode_minus'] = False

font.sans-serif是字体回退列表，Windows 用的是 Microsoft YaHei，macOS 会走 Arial Unicode MS，Linux 上如果有文泉驿就写 WenQuanYi Micro Hei。axes.unicode_minus设为 False，是为了避免坐标轴负号显示成方块。这个设置对所有 matplotlib 绘图单元格生效，属于“一次配置，全文复用”的典型。

3. 用户画像构建主流程：一份可以照着跑的数据清洗与标签生成源码

3.1 数据加载：从CSV/Excel到DataFrame的第一步

用户画像的数据源很少是现成的标签表，更多时候你拿到的是订单明细、访问日志、会员资料这三类原始表。第一步不是马上写特征，而是先把数据读进来，确认体量和字段类型。这里以两份模拟数据为例：一份是用户订单表orders.csv，字段包含user_id、order_time、amount、category；另一份是用户基本信息users.csv，包含user_id、gender、age、register_time。

读数和初检的代码：

import pandas as pd orders = pd.read_csv('orders.csv', parse_dates=['order_time']) users = pd.read_csv('users.csv', parse_dates=['register_time']) print(orders.shape, users.shape) print(orders.info()) print(orders['user_id'].nunique(), users['user_id'].nunique()) print(orders['category'].value_counts().head(10))

参数说明：parse_dates=['order_time']让 pandas 在读取时把订单时间转成 datetime64 类型，这一步直接影响后面按小时、按月份聚合的效率；nunique()用来核对两个表的用户数是否对得上，一般 order 表的用户数会小于等于 users 表。用户数对不上是常态，对不上不要慌，先看是独有还是缺失，后面清洗再做取舍。category的 value_counts 能看到商品类目的分布情况，方便判断有没有冷门类目需要合并。

这里想多提一句：尽量在读取阶段就把解析时间、指定编码做完。CSV 文件如果是从业务系统导出的，经常是 GBK 编码，这时候要写成pd.read_csv('orders.csv', encoding='gbk')，否则会报 UTF-8 解码错误。这也是报错里最常见的“黑匣子”之一。

3.2 数据清洗：缺失值、重复值与时间字段解析

加载完数据，紧跟着就是清洗。这一步决定了后面的标签质量，也是整个构建过程里最花时间的一步。

# 丢弃完全没有价值的空行和整行重复 orders = orders.dropna(how='all') orders = orders.drop_duplicates(subset=['user_id', 'order_time', 'amount']) # 处理关键字段缺失 orders = orders.dropna(subset=['user_id', 'amount']) users = users.dropna(subset=['user_id']) # 过滤明显异常值：金额为负的订单 orders = orders[orders['amount'] > 0] # 时间字段补全：把字符串统一成日期格式 orders['order_date'] = orders['order_time'].dt.date # 年龄分档前先做边界压缩，避免极端年龄影响分箱 users['age'] = users['age'].clip(0, 100)

代码逻辑说明：dropna(how='all')删除所有字段都是 NaN 的行，这种空行经常出现在从 Excel 复制过来的数据里；drop_duplicates按业务主键去重，订单表里同一用户在同一个时刻买了同一金额的东西，继续保留没有意义。年龄做clip(0, 100)是为了后续pd.cut分箱时不被 -1 或 999 这种脏数据带偏。

清洗后建议马上做一个汇总检查：orders.isna().sum()和users.isna().sum()，看每个字段还剩多少缺失值。缺失率过高的字段可以放弃，过低的用填充或均值补。用户画像里最忌讳“为了填缺失而填缺失”，比如性别缺失 50% 还硬补成“未知”，这会让后面的交叉分析失去区分度。这一步是后人最容易翻车的地方。

3.3 特征工程与标签映射：把行为数据变成画像标签

清洗完之后，进入核心的特征构造阶段。用户画像标签里最常用的是 RFM 思路的简化版，R（最近一次消费时间）、F（消费频次）、M（消费金额）。这三个指标只需要订单表就能算出来，也是很多公司量化用户价值的基础。这种构造特征的方式，和 python 量化交易策略代码里构造因子很像，先定义原始指标，再切分或映射成离散标签。

import datetime # 确定统计截止日：取订单表最大日期后一天，避免 R 值出现 0 天 ref_date = orders['order_time'].max() + datetime.timedelta(days=1) rfm = orders.groupby('user_id').agg( last_order_date=('order_time', 'max'), order_count=('order_time', 'count'), total_amount=('amount', 'sum') ).reset_index() rfm['recency'] = (ref_date - rfm['last_order_date']).dt.days rfm['avg_amount'] = rfm['total_amount'] / rfm['order_count']

参数说明：agg里用last_order_date、order_count和total_amount是自定义的列名，后面要直接作为特征进模型，建议起一个可读性强的名字。ref_date我习惯取最大订单日期加一天，这样新用户当天买过东西时，计算出来的 recency 是 1 而不是 0，后面分箱时边界更干净。

标签映射通常是用户画像最后一步：把连续值切成业务词汇。比如把消费金额分为低、中、高三个档位，把活跃度分为沉默、低频、活跃、高频四个档位。

# 金额分层：按分位数切分更贴近数据分布 amount_bins = [-1, 0, 500, 2000, float('inf')] amount_labels = ['未消费', '低消费', '中消费', '高消费'] rfm['amount_tier'] = pd.cut(rfm['total_amount'], bins=amount_bins, labels=amount_labels) # 活跃度分层：先按消费次数分箱，再做业务映射 rfm['active_level'] = pd.cut( rfm['order_count'], bins=[0, 1, 3, 8, float('inf')], labels=['沉默', '低频', '活跃', '高频'] )

pd.cut的 bins 参数含义是左开右闭区间，注意第一个区间要从 -1 开始，才能把 0 值样本放进去。labels 必须比 bins 少一个，否则会抛 ValueError。这里选择分位数还是固定阈值看业务习惯，我一般先用describe()看分布，再人工定边界。标签名称最好和业务方对齐，你要叫“高消费”，运营同学默认的“高消费”可能是另一个口径，同一个词两种口径，比不做画像还麻烦。这里的活跃度口径如下：

| 标签 | 区间 | 订单数 | | 沉默 | (0, 1] | 1单 | | 低频 | (1, 3] | 2-3单 | | 活跃 | (3, 8] | 4-8单 | | 高频 | (8, ∞) | 9单及以上 |

3.4 画像宽表输出：把每类标签合并成一个用户ID一行

画像构建的最后一步是宽表合并。很多分析场景下，模型需要每个用户一行、每列是一个特征或标签的表结构。把用户信息表、RFM 特征表、类目标签表横向拼接起来。

# 每个用户最常购买的类目 top_category = ( orders.groupby(['user_id', 'category']) .size() .reset_index(name='cnt') .sort_values(['user_id', 'cnt'], ascending=[True, False]) .drop_duplicates(subset=['user_id']) .rename(columns={'category': 'top_category'}) ) # 合并宽表 profile = users.merge(rfm, on='user_id', how='left') profile = profile.merge(top_category[['user_id', 'top_category']], on='user_id', how='left') # 导出成品 profile.to_csv('user_profile_wide_table.csv', index=False, encoding='utf-8-sig')

逻辑说明：sort_values之后接drop_duplicates(subset=['user_id'])，可以拿到每个用户购买次数最多的类目，这个写法比用rank()再筛选直观得多。merge默认是 inner join，这里两个表都显式写了how='left'，以 users 表为准，保留所有注册用户。最后的to_csv用encoding='utf-8-sig'，是 Excel 直接打开不乱码的关键参数。

4. 用图表验证画像质量：分布、交叉和TopN的可视化源码

4.1 单画像维度的分布可视化

用户画像做到后面，最怕的一件事就是“标签做出来了，但没人信”。这时候最好的应答方式不是坐在座位上解释，而是直接画出分布图。图表是验证画像质量的第一道关。

import matplotlib.pyplot as plt import seaborn as sns fig, axes = plt.subplots(1, 3, figsize=(16, 4)) sns.histplot(profile['total_amount'], bins=50, ax=axes[0], color='#2a6f97') axes[0].set_title('消费金额分布（对数坐标）') axes[0].set_xscale('log') sns.countplot(data=profile, x='active_level', order=['沉默', '低频', '活跃', '高频'], ax=axes[1], palette='Blues') axes[1].set_title('活跃度标签人数') sns.boxplot(data=profile, x='amount_tier', y='avg_amount', ax=axes[2]) axes[2].set_title('消费分层客单价对比') plt.tight_layout() plt.show()

这里的参数说明：set_xscale('log')是处理金额长尾分布的关键，用户消费金额大部分集中在低位，少数人贡献高额，不用对数坐标，直方图左端会积压成一根柱子。countplot里的order参数强制按业务顺序排列，否则 seaborn 会按字母序排出低频、沉默、活跃、高频，观感很乱。第三张图用 boxplot 来看消费分层和客单价的关系，如果高消费组的客单价反而比中消费组低，说明你分层衡量的可能不是消费能力，而是消费频次。

4.2 画像交叉分析：看两列标签的组合规律

单维度分布只能说明标签自身合理，交叉分析才能看出业务组合。用户画像里最常用的是新老用户和活跃度、性别和消费层级这两对交叉。这里用透视表和热力图实现性别和消费层级的组合观察。

cross = pd.crosstab(profile['gender'], profile['amount_tier']) cross_norm = cross.div(cross.sum(axis=1), axis=0) # 行归一化，看组内占比 plt.figure(figsize=(8, 5)) sns.heatmap(cross_norm, annot=True, fmt='.1%', cmap='YlGnBu', linewidths=0.5) plt.title('性别 × 消费分层占比热力图') plt.show()

说明：pd.crosstab是用户画像里绕不开的函数，第一个参数是行，第二个是列。cross.div(cross.sum(axis=1), axis=0)做的是行归一化，计算的是“每个性别组内，各消费层级的占比”，而不是全局占比，这两个口径含义完全不同。annot=True在热力图上显示数字，fmt='.1%'让数字以百分比展示。如果性别字段有缺失，crosstab 默认会忽略 NaN，建议先用profile['gender'].fillna('未知')补上，避免前面几万条用户在这张图里凭空消失。

4.3 把图表输出成图片和报表文件

分析结论最终要落地到报告里。Jupyter Notebook 里在浏览器里看得到，不代表别人看得到。我一般会同时输出图片和汇总表，既方便粘到 PPT 里，也方便给业务方做二次加工。

fig.savefig('output/profile_distribution.png', dpi=150, bbox_inches='tight') report = ( profile.groupby(['active_level', 'amount_tier']) .size() .reset_index(name='user_cnt') ) report.to_excel('output/profile_cross_report.xlsx', index=False)

参数说明：dpi=150基本满足绝大多数汇报场景的清晰度；bbox_inches='tight'会自动裁剪空白边缘，避免图片四周留白过多。Excel 输出尽量用to_excel而非to_csv，因为运营同学拿到 CSV 用 Excel 打开时，长数字 ID 会被转成科学计数法，还改不回来。如果必须用 CSV，记得在前面把user_id读成字符串或设置csv的 quoting。

4.4 生成典型用户的画像卡片描述

有宽表、有分布图之后，业务方其实还想得到更直观的“一个人”。我常做的是从画像宽表里随机抽几个用户，把标签组合成一段可读的画像描述。这一步不算什么高深技术，但对汇报和拉齐认知特别有用。

def describe_user(row): return (f"用户{row['user_id']}，性别{row['gender']}，年龄{row['age']}岁，" f"累计消费{row['total_amount']:.0f}元，共{row['order_count']}单，" f"最近一次购买在{row['recency']}天前，属于{row['active_level']}用户，" f"偏好类目是{row['top_category']}。") sample = profile.sample(n=5, random_state=42) for _, row in sample.iterrows(): print(describe_user(row))

这里的random_state=42控制随机种子，让每次运行抽到的是同一批用户，方便对比前后两次代码改动带来的标签差异。describe_user只做字符串拼接，所有字段在之前已经补全，这里不处理缺失值。抽样的目的不是做统计推断，而是让业务方感知到“咦，这张表里真的能读出一个个具体的人”。

5. Jupyter Notebook运行Python用户画像源码的5个高频避坑

5.1 现象：内核莫名其妙反复死掉，最后连保存都点不动

在做用户画像时，最典型的一幕是：orders表有上千万行，我直接在单元格里执行orders.head(1000000)，然后内核直接死亡。原因不是你的代码写错，而是 Notebook 把整个 DataFrame 的渲染结果都塞进了前端输出区，内存和浏览器交互线程双双爆掉。

解决的方式不是不用 Notebook，而是先裁剪再展示。我现在的习惯是：数据量大时先执行orders = orders.sample(10000, random_state=1)做一次抽样验证逻辑，全部代码调通之后再放到全量数据上跑。另一个容易踩的是循环里反复print大数组，改成每个循环内只打印关键统计量。

5.2 现象：代码改了好几遍，跑出来的结果却一模一样

这个问题在 Notebook 里出现的频率高得离谱。原因很常见：同一个变量名在不同单元格被反复赋值，但你没有按顺序执行。用户画像里最容易遇到的就是profile这个中间表，你可能先在第 4 个单元格定义它，又跑到第 8 个单元格做 merge，之后你回头去改第 4 个单元格的筛选逻辑，却不重新执行它，后续单元格接着旧数据的余温在跑。

解决的办法有两个层面。第一，养成从顶部执行到底部的习惯，用菜单里的 Restart Kernel and Run All，保证单元格执行顺序和代码逻辑顺序一致。第二，把影响后续结果的 key 单元格独立出来，例如数据加载、清洗过滤、label 映射各占一个单元格，并在 Markdown 里写醒目标注。命令行有个小技巧，写行号时在代码块上方放一句注释“从这里开始重新执行”，提醒自己不要跨单元格依赖旧状态。

5.3 现象：用户画像图里中文全变成方块，X轴坐标还冒出一道道横线

这个坑我在 2.4 已经给了配置代码，这里补充一个更隐蔽的版本。有时候你设置了rcParams，但后来又调用了 seaborn，seaborn 内部的样式会覆盖之前的字体配置。而且中文乱码不只在 matplotlib 出现，to_csv导出后用 Excel 打开也是乱码，这两个是完全不同的原因：前者是字体缺失，后者是编码问题。

解决方案：字体问题在导入 seaborn 之后再设置一次 rcParams；编码问题统一用encoding='utf-8-sig'导出。如果真的不想每次写两遍，把我上面那段配置单独存一个profile_style.py，在 notebook 开头%run profile_style.py一次性执行。别小看这几行配置，多少人其实不是不会画图，是栽在字体上。

5.4 现象：在Jupyter里新建的文件莫名其妙保存到别的路径

“Jupyter Notebook默认保存路径”这个热搜词的背后，就是大家碰到了同一件事：用浏览器文件树上传/新建的 notebook，不落在你想让它落的目录。根因在于，Notebook 保存文件的根目录，和你启动 Jupyter 时的工作目录一致，而不是你双击某个 .ipynb 文件时的所在目录。

解决方式已经在 2.3 里写过了，核心就两步：jupyter notebook --generate-config生成配置，然后改c.NotebookApp.notebook_dir。这里再补一个细节：修改完配置之后，要彻底关闭终端进程再重新启动，不是只关浏览器标签页，否则配置不会重载。很多人在这里“改了没用”就是这个原因。

5.5 现象：用户画像的时间字段总是解析失败，或者算出来的活跃天数全是负数

时间字段是用户画像的重灾区。现象通常有两种：一是parse_dates报错说时间字符串格式不一致，二是 recency 计算出来是负数。原因很一致——业务系统导出的时间字段里，混着2024-05-01 10:00:00、2024/05/01、05-01-2024乃至带时区后缀的格式。

解决建议：先orders['order_time'] = pd.to_datetime(orders['order_time'], errors='coerce', format='mixed')。errors='coerce'会把无法解析的时间转成 NaT，之后再统一填充或剔除；format='mixed'是 pandas 2.0 之后支持的混合格式识别参数。recency 为负数的另一个常见原因是系统时钟错位或埋点时间戳是未来时间，不要只靠肉眼判断，直接用rfm[rfm['recency'] < 0]筛出来看时间值。数据时间解析这件事，真的值得你花 15 分钟把全表值域扫一遍。

6. 把源码从Notebook搬到生产：函数化改造与定时更新的进阶技巧

用户画像在 Notebook 里跑通之后，接下来要面对的是每天甚至每小时的更新问题。不可能每次都手动打开 Jupyter Notebook 一个单元格一个单元格地执行。我的做法是把代码整理成可复用的函数，用“脚本 + 参数”的方式去跑批。

改造的思路是把第 3 章里的数据处理步骤，拆成load_data()、clean_orders()、build_rfm()、add_customer_info()四个函数，入口统一成一个run_all(data_path, output_path)。代码形态上和 Notebook 里一致，但把路径和阈值参数化成函数的入参。这一步迁移成本很低，因为 Notebook 里本身就是逐步验证过的代码，直接提取即可。

如果公司有调度平台，更稳定的一条路是把 Notebook 导出成 .py。具体操作是：File → Download As → Python (.py)，然后把里面的单元格代码合并到一个带main()的脚本里。导出后需要手动删掉get_ipython().run_cell_magic这类的魔法指令，以及%matplotlib inline这类只在交互环境生效的声明。这里有个我经常踩的教训：导出前要把 Notebook 从上到下完整执行一遍，保证代码顺序和变量状态一致，否则导出的脚本会丢失某个中间变量。

至于验证方法，我的建议是每次改造后先跑一份历史数据，和旧 Notebook 的输出做比对。比对方式很简单，把老结果的user_id和total_amount两个字段取出来，和新脚本按user_idmerge，再查abs(差值) > 0.01的行数。如果差异为 0，才算过关；有差异，优先检查是不是 float 精度问题或排序引起的聚合顺序问题。

最后分享一个习惯：用户画像源码里，最容易出问题的永远不是模型和算法，而是数据口径。我给自己定了一条规矩，任何标签定义都写进代码注释并同步到业务文档，比如“高消费=历史累计消费金额大于2000元”，避免过三个月自己都忘了当初为什么这么划分。这条规矩救过我很多次，希望帮到你。

本文还有配套的精品资源，点击获取