数据湖构建DLF数据探索快速入门-淘宝用户行为分析

2024-01-20 12:54:58

简介

本教程通过使?数据湖构建（DLF）产品对于淘宝?户?为样例数据的分析，介绍DLF产品的数据发现和数据探索功能。教程内容包括：1. 服务开通：开通阿?云账号及DLF/OSS相关服务2. 样例数据集下载和导?：下载样例数据（csv?件），并上传?OSS3. DLF数据发现：使?DLF?动识别?件Schema并创建元数据表4. DLF数据探索：使?DLF数据探索，对?户?为进?分析，包括?户活跃度、漏?模型等

数据说明

本次测试的数据集来?阿?云天池?赛中使?的淘宝?户?为数据集，为了提?性能，我们做了?定的裁剪。数据集中以csv的格式存储了?户?为及商品样例数据。数据范围：2014年12?1? - 2014年12?7?数据格式：

开通DLF和OSS服务（如已开通，直接跳转?第?步）

1.1 登录阿?云账号，点击进?DLF控制台??。

1.2 开通DLF及其依赖OSS服务，并完成授权。（如果已开通可直接跳过）

若之前未开通过DLF服务，会提示?户开通服务。点击“开通服务”，进?服务开通??。

开通服务后，返回DLF控制台??。会提示开通OSS服务，以及授予DLF访问依赖数据源的权限。点击按钮完成OSS开通及授权。回到DLF控制台??，点击刷新检查状态。???动跳转?DLF控制台主??。

1.3 开通完成后，进?DLF控制台主?：

在OSS中导?需要分析的数据

2.1 点击链接，下载样例代码?本地磁盘。

解压后得到?件夹：user_behavior_data，包含item和user个?件夹，??分别包含了各?的csv数据? 件。本次分析主要集中在user?件中，数据内容如下。

2.2 将?件上传?OSS 进?OSS控制台，上传?件使?已有的Bucket，或创建新的Bucket。

上传解压后的user_behavior_data?件夹。上传后?录结构如下所示，item和user为两个表的数据?件夹。

在DLF上抽取元数据

3.1 创建元数据表
DLF中元数据库可以理解为在关系型数据库中的Database，其下?级为Table。

在DLF控制台中，进?元数据库??，创建元数据库。

填?数据库名称。并选择刚才存有?户?为分析的

如下图所示，元数据库创建成功。

3.2 发现OSS?件中的元数据表信息

进?DLF元数据抽取??，点击“新建抽取任务”

填写数据源相关配置，点击下?步

选择过程中需要?到的RAM??，默认为开通阶段已经授权的“AliyunDLFWorkFlowDefaultRole”。运?模式选择“?动执?”。抽取策略选择“快速模式”以最快的速度完成元数据发现。

核对信息后，点击“保存并?即执?”。

系统会跳转到元数据抽取列表??，新建的任务开始创建并?动运?。

约10秒后任务运?完成。约10秒后任务运?完成。?标移到状态栏的问号图标，会看到已经成功创建了两张元数据表。

点击浮层中的“元数据库”链接，可直接查看该库中相关的表信息。

点击浮层中的“元数据库”链接，可直接查看该库中相关的表信息。

点击表详情，查看并确认抽取出来的表结构是否符合预期。

?此，我们通过DLF?动发现数据湖CSV?件Schema的过程已经完成。下?步我们开始针对数据湖内的数据做分析。

?户?为数据分析

4.1 数据分析概述
在DLF控制台??，点击菜单“数据探索”-“Spark SQL”，进?数据探索页面。

数据分析的过程主要分为三步：

预览并检查数据信息。
简单的数据清洗。
进??户活跃度、漏?模型和商品热度分析。

4.2 预览并检查数据
在查询框输?下?的语句，查看?件中的数据信息。

-- 预览数据

select * from `dlf_demo ` . ` user ` limit 10;

select * from `dlf_demo ` . `item ` limit 10;

-- ?户数 17970

select COUNT(DISTINCT user_id) from `dlf_demo ` . ` user ` ;

-- 商品数 422858

select COUNT(DISTINCT item_id) from `dlf_demo ` . `item ` ;

-- ?为记录数 746024

select COUNT(*) from `dlf_demo ` . ` user ` ;

数据内容如下：

4.3 数据预处理
我们对原始数据进??定的处理，已提?数据的可读性，并提?分析的性能。将behavior_type修改成更好理解的字符串信息；将?志+时间的格式打平到两个单独的列，再加上周信息，便于分别做?期和?时级别的分析；过滤掉不必要的字段。并将数据存?新表user_log，表格式为 Parquet，按?期分区。后续我们会基于新表做?户?为分析。

-- 数据转换 耗时约40秒-- 创建新表user_log，parquet格式，按?期分区

 -- 导?数据，拆分?期和?时，并将behavoior转换成可读性更好的值 

-- 1-click; 2-collect; 3-cart; 4-pay

create table `dlf_demo ` . ` user_log ` 

USING PARQUET 

PARTITIONED BY (date) 

as select 

    user_id, 

    item_id, 

    CASE

     WHEN behavior_type = 1 THEN ‘click‘ 

    WHEN behavior_type = 2 THEN ‘collect‘ 

    WHEN behavior_type = 3 THEN ‘cart‘

     WHEN behavior_type = 4 THEN ‘pay‘ 

END as behavior, 

item_category, 

time, 

date_format(time, ‘yyyy-MM-dd‘) as date, 

date_format(time, ‘H‘) as hour,

 date_format(time, ‘u‘) as day_of_week 

from `dlf_demo ` . ` user ` ;

-- 查看运?后的数据

select * from `dlf_demo ` . ` user_log ` limit 10;

4.4 ?户?为分析
?先，我们基于漏?模型，对所有?户从点击到加购/收藏到购买的转化情况。

-- 漏?分析耗时13秒

SELECT behavior, COUNT(*) AS total FROM `dlf_demo ` . ` user_log ` GROUP BY behavior ORDER BY total DESC

结果如下：

然后我们?周内每天的?户?为做统计分析

-- ?户?为分析 耗时 14秒

SELECT date, day_of_week

COUNT(DISTINCT(user_id)) as uv, 

SUM(CASE WHEN behavior = ‘click‘ THEN 1 ELSE 0 END) AS click, 

SUM(CASE WHEN behavior = ‘cart‘ THEN 1 ELSE 0 END) AS cart, 

SUM(CASE WHEN behavior = ‘collect‘ THEN 1 ELSE 0 END) AS collect,

 SUM(CASE WHEN behavior = ‘pay‘ THEN 1 ELSE 0 END) AS pay 

FROM `dlf_demo ` . ` user_log ` 

GROUP BY date, day_of_week

ORDER BY date

分析结果如下：（由于数据集经过裁剪，对于?作?和??作?的结果有失真）

最后，我们结合商品表，分析出数据集中最受欢迎的是个商品品类

-- 销售最多的品类 耗时 1分10秒

SELECT item.item_category, COUNT(*) AS times

FROM `dlf_demo ` . `item ` item

JOIN `dlf_demo ` . ` user_log ` log

ON item.item_id = log.item_id

WHERE log.behavior= ‘pay‘

GROUP BY item.item_category

ORDER BY times DESC

LIMIT 10;

结果如下：

4.5 下载分析结果
DLF提供将分析结果以CSV?件的形式下载的功能，启?该功能需要提前设置分析结果的保存路径（OSS 路径）。设置后，查询结果会被保存到该路径下。?户可以通过DLF??上的“下载”按钮直接下载，也可以直接通过OSS访问和下载该?件。通过点击??上的“路径设置”按钮进?设置。