天池 O2O 優惠券使用預測思路解析與程式碼實戰

前陣子因為機器學習訓練營的任務安排，需要打一場 AI 比賽。然後就瞭解到最近熱度很高且非常適合新人入門的一場比賽：天池新人實戰賽o2o優惠券使用預測。今天，紅色石頭把這場比賽的一些初級理論分析和程式碼實操分享給大家。本文會講解的很細，目的是帶領大家走一遍比賽流程，實現機器學習理論分析到比賽實戰的進階。話不多說，我們開始吧！

比賽介紹

首先附上這場比賽的連結：

https://tianchi.aliyun.com/getStart/introduction.htm?spm=5176.100066.0.0.518433afBqXIKM&raceId=231593

本賽題的比賽背景是隨著移動裝置的完善和普及，移動網際網路+各行各業進入了高速發展階段，這其中以 O2O（Online to Offline）消費最為吸引眼球。本次大賽為參賽選手提供了 O2O 場景相關的豐富資料，希望參賽選手透過分析建模，精準預測使用者是否會在規定時間（15 天）內使用相應優惠券。

從機器學習模型的角度來說，這是一個典型的分類問題，其過程就是根據已有訓練集進行訓練，得到的模型再對測試進行測試並分類。整個過程如下圖所示：

評估方式

我們知道評估一個機器學習模型有多種方式，最常見的例如準確率（Accuracy）、精確率（Precision）、召回率（Recall）。一般使用精確率和召回率結合的方式 F1 score 能較好地評估模型效能（特別是在正負樣本不平衡的情況下）。而在本賽題，官方規定的評估方式是 AUC，即 ROC 曲線與橫座標圍成的面積。如下圖所示：

關於 ROC 和 AUC 的概念這裡不加解釋，至於為什麼要使用 ROC 和 AUC 呢？因為 ROC 曲線有個很好的特性：當測試集中的正負樣本的分佈變化的時候，ROC曲線能夠保持不變。也就是說能夠更好地處理正負樣本分佈不均的場景。

資料集匯入

對任何機器學習模型來說，資料集永遠是最重要的。接下來，我們就來看看這個比賽的資料集是什麼樣的。

首先來看一下大賽提供給我們的資料集：

總共有四個檔案，分別是：

• ccf_offline_stage1_test_revised.csv

• ccf_offline_stage1_train.csv

• ccf_online_stage1_train.csv

• sample_submission.csv

其中，第 2 個是線下訓練集，第 1 個是線下測試集，第 3 個是線上訓練集（本文不會用到），第 4 個是預測結果提交到官網的檔案格式（需按照此格式提交才有效）。也就是說我們使用第 2 個檔案來訓練模型，對第 1 個檔案進行預測，得到使用者在 15 天內使用優惠券的機率值。

接下來，對 2、1、4 檔案中欄位進行列舉，欄位解釋如下圖所示。

ccf_offline_stage1_train.csv：

ccf_offline_stage1_test_revised.csv：

sample_submission.csv：

重點記住兩個欄位：Date_received 是領取優惠券日期，Date 是消費日期。待會我將詳細介紹。

介紹完幾個資料檔案和欄位之後，我們就來編寫程式，匯入訓練集和測試集，同時匯入需要用到的庫。

# import libraries necessary for this project
import os, sys, pickle

import numpy as np
import pandas as pd

from datetime import date

from sklearn.model_selection import KFold, train_test_split, StratifiedKFold, cross_val_score, GridSearchCV
from sklearn.pipeline import Pipeline
from sklearn.linear_model import SGDClassifier, LogisticRegression
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import log_loss, roc_auc_score, auc, roc_curve
from sklearn.preprocessing import MinMaxScaler

# display for this notebook
%matplotlib inline
%config InlineBackend.figure_format = 'retina'

匯入資料：

dfoff = pd.read_csv('data/ccf_offline_stage1_train.csv')
dfon = pd.read_csv('data/ccf_online_stage1_train.csv')
dftest = pd.read_csv('data/ccf_offline_stage1_test_revised.csv')

dfoff.head(5)

是訓練集前 5 行顯示如下：

接下來，我們來做個簡單統計，看一看究竟使用者是否使用優惠券消費的情況。

print('有優惠卷，購買商品：%d' % dfoff[(dfoff['Date_received'] != 'null') & (dfoff['Date'] != 'null')].shape[0])
print('有優惠卷，未購商品：%d' % dfoff[(dfoff['Date_received'] != 'null') & (dfoff['Date'] == 'null')].shape[0])
print('無優惠卷，購買商品：%d' % dfoff[(dfoff['Date_received'] == 'null') & (dfoff['Date'] != 'null')].shape[0])
print('無優惠卷，未購商品：%d' % dfoff[(dfoff['Date_received'] == 'null') & (dfoff['Date'] == 'null')].shape[0])

有優惠卷，購買商品：75382
有優惠卷，未購商品：977900
無優惠卷，購買商品：701602
無優惠卷，未購商品：0

可見，很多人（701602）購買商品卻沒有使用優惠券，也有很多人（977900）有優惠券但卻沒有使用，真正使用優惠券購買商品的人（75382）很少！所以，這個比賽的意義就是把優惠券送給真正可能會購買商品的人。

特徵提取

毫不誇張第說，構建機器學習模型，特徵工程可能比選擇哪種演算法更加重要。接下來，我們就來研究一下哪些特徵可能對模型訓練有用。

1.打折率（Discount_rate）

首先，第一個想到的特徵應該是優惠卷的打折率。因為很顯然，一般情況下優惠得越多，使用者就越有可能使用優惠券。那麼，我們就來看一下訓練集中優惠卷有哪些型別。

print('Discount_rate 型別：\n',dfoff['Discount_rate'].unique())

Discount_rate 型別：
[’null’ ‘150:20′ ’20:1’ ‘200:20′ ’30:5′ ’50:10′ ’10:5’ ‘100:10’ ‘200:30′ ’20:5′ >\’30:10′ ’50:5’ ‘150:10’ ‘100:30’ ‘200:50’ ‘100:50’ ‘300:30′ ’50:20’ ‘0.9’ ’10:1′ >\’30:1′ ‘0.95’ ‘100:5’ ‘5:1’ ‘100:20’ ‘0.8’ ’50:1′ ‘200:10’ ‘300:20’ ‘100:1′ >\’150:30’ ‘300:50′ ’20:10’ ‘0.85’ ‘0.6’ ‘150:50’ ‘0.75’ ‘0.5’ ‘200:5’ ‘0.7’ >\’30:20′ ‘300:10’ ‘0.2’ ’50:30′ ‘200:100’ ‘150:5’]

根據列印的結果來看，打折率分為 3 種情況：

• ‘null’ 表示沒有打折

• [0,1] 表示折扣率

• x:y 表示滿 x 減 y

那我們的處理方式可以構建 4 個函式，分別提取 4 種特徵，分別是：

• 打折型別：getDiscountType()

• 折扣率：convertRate()

• 滿多少：getDiscountMan()

• 減多少：getDiscountJian()

函式程式碼如下：

# Convert Discount_rate and Distance
def getDiscountType(row):
   if row == 'null':
       return 'null'
   elif ':' in row:
       return 1
   else:
       return 0

def convertRate(row):
   """Convert discount to rate"""
   if row == 'null':
       return 1.0
   elif ':' in row:
       rows = row.split(':')
       return 1.0 - float(rows[1])/float(rows[0])
   else:
       return float(row)

def getDiscountMan(row):
   if ':' in row:
       rows = row.split(':')
       return int(rows[0])
   else:
       return 0

def getDiscountJian(row):
   if ':' in row:
       rows = row.split(':')
       return int(rows[1])
   else:
       return 0

def processData(df):

   # convert discount_rate
   df['discount_type'] = df['Discount_rate'].apply(getDiscountType)
   df['discount_rate'] = df['Discount_rate'].apply(convertRate)
   df['discount_man'] = df['Discount_rate'].apply(getDiscountMan)
   df['discount_jian'] = df['Discount_rate'].apply(getDiscountJian)

   print(df['discount_rate'].unique())

   return df

然後，對訓練集和測試集分別進行進行 processData（）函式的處理：

dfoff = processData(dfoff)
dftest = processData(dftest)

處理之後，我們可以看到訓練集和測試集都多出了 4 個新的特徵：discount_type、discount_rate、discount_man、discount_jian。

2.距離（Distance）

距離欄位表示使用者與商店的地理距離，顯然，距離的遠近也會影響到優惠券的使用與否。那麼，我們就可以把距離也作為一個特徵。首先看一下距離有哪些特徵值：

print('Distance 型別：',dfoff['Distance'].unique())

Distance 型別： [‘0’ ‘1’ ‘null’ ‘2’ ’10’ ‘4’ ‘7’ ‘9’ ‘3’ ‘5’ ‘6’ ‘8’]

然後，定義提取距離特徵的函式：

# convert distance
dfoff['distance'] = dfoff['Distance'].replace('null', -1).astype(int)
print(dfoff['distance'].unique())
dftest['distance'] = dftest['Distance'].replace('null', -1).astype(int)
print(dftest['distance'].unique())

處理之後，我們可以看到訓練集和測試集都多出了 1 個新的特徵：distance。

3.領劵日期（Date_received）

是還有一點很重要的是領券日期，因為一般而言，週末領取優惠券去消費的可能性更大一些。因此，我們可以構建關於領券日期的一些特徵：

• weekday : {null, 1, 2, 3, 4, 5, 6, 7}

• weekday_type : {1, 0}（週六和週日為1，其他為0）

• Weekday_1 : {1, 0, 0, 0, 0, 0, 0}

• Weekday_2 : {0, 1, 0, 0, 0, 0, 0}

• Weekday_3 : {0, 0, 1, 0, 0, 0, 0}

• Weekday_4 : {0, 0, 0, 1, 0, 0, 0}

• Weekday_5 : {0, 0, 0, 0, 1, 0, 0}

• Weekday_6 : {0, 0, 0, 0, 0, 1, 0}

• Weekday_7 : {0, 0, 0, 0, 0, 0, 1}

其中用到了獨熱編碼，讓特徵更加豐富。相應的這 9 個特徵的提取函式為：

def getWeekday(row):
   if row == 'null':
       return row
   else:
       return date(int(row[0:4]), int(row[4:6]), int(row[6:8])).weekday() + 1

dfoff['weekday'] = dfoff['Date_received'].astype(str).apply(getWeekday)
dftest['weekday'] = dftest['Date_received'].astype(str).apply(getWeekday)

# weekday_type :  週六和週日為1，其他為0
dfoff['weekday_type'] = dfoff['weekday'].apply(lambda x: 1 if x in [6,7] else 0)
dftest['weekday_type'] = dftest['weekday'].apply(lambda x: 1 if x in [6,7] else 0)

# change weekday to one-hot encoding 
weekdaycols = ['weekday_' + str(i) for i in range(1,8)]
#print(weekdaycols)

tmpdf = pd.get_dummies(dfoff['weekday'].replace('null', np.nan))
tmpdf.columns = weekdaycols
dfoff[weekdaycols] = tmpdf

tmpdf = pd.get_dummies(dftest['weekday'].replace('null', np.nan))
tmpdf.columns = weekdaycols
dftest[weekdaycols] = tmpdf

這樣，我們就會在訓練集和測試集上發現增加了 9 個關於領券日期的特徵：

好了，經過以上簡單的特徵提取，我們總共得到了 14 個有用的特徵：

• discount_rate

• discount_type

• discount_man

• discount_jian

• distance

• weekday

• weekday_type

• weekday_1

• weekday_2

• weekday_3

• weekday_4

• weekday_5

• weekday_6

• weekday_7

好了，我們的主要工作已經完成了大半！

標註標籤 Label

有了特徵之後，我們還需要對訓練樣本進行 label 標註，即確定哪些是正樣本（y = 1），哪些是負樣本（y = 0）。我們要預測的是使用者在領取優惠券之後 15 之內的消費情況。所以，總共有三種情況：

1.Date_received == ‘null’：

表示沒有領到優惠券，無需考慮，y = -1

2.(Date_received != ‘null’) & (Date != ‘null’) & (Date – Date_received <= 15)：

表示領取優惠券且在15天內使用，即正樣本，y = 1

3.(Date_received != ‘null’) & ((Date == ‘null’) | (Date – Date_received > 15))：

表示領取優惠券未在在15天內使用，即負樣本，y = 0

好了，知道規則之後，我們就可以定義標籤備註函式了。

def label(row):
   if row['Date_received'] == 'null':
       return -1
   if row['Date'] != 'null':
       td = pd.to_datetime(row['Date'], format='%Y%m%d') - pd.to_datetime(row['Date_received'], format='%Y%m%d')
       if td <= pd.Timedelta(15, 'D'):
           return 1
   return 0

dfoff['label'] = dfoff.apply(label, axis=1)

我們可以使用這個函式對訓練集進行標註，看一下正負樣本究竟有多少：

print(dfoff['label'].value_counts())

0 988887
-1 701602
1 64395
Name: label, dtype: int64

很清晰地，正樣本共有 64395 例，負樣本共有 988887 例。顯然，正負樣本數量差別很大。這也是為什麼會使用 AUC 作為模型效能評估標準的原因。

建立模型

接下來就是最主要的建立機器學習模型了。首先確定的是我們選擇的特徵是上面提取的 14 個特徵，為了驗證模型的效能，需要劃分驗證集進行模型驗證，劃分方式是按照領券日期，即訓練集：20160101-20160515，驗證集：20160516-20160615。我們採用的模型是簡單的 SGDClassifier。

1.劃分訓練集和驗證集

# data split
df = dfoff[dfoff['label'] != -1].copy()
train = df[(df['Date_received'] < '20160516')].copy()
valid = df[(df['Date_received'] >= '20160516') & (df['Date_received'] <= '20160615')].copy()
print('Train Set: \n', train['label'].value_counts())
print('Valid Set: \n', valid['label'].value_counts())

2.構建模型

def check_model(data, predictors):

   classifier = lambda: SGDClassifier(
       loss='log',  # loss function: logistic regression
       penalty='elasticnet', # L1 & L2
       fit_intercept=True,  # 是否存在截距，預設存在
       max_iter=100, 
       shuffle=True,  # Whether or not the training data should be shuffled after each epoch
       n_jobs=1, # The number of processors to use
       class_weight=None) # Weights associated with classes. If not given, all classes are supposed to have weight one.

   # 管道機制使得引數集在新資料集（比如測試集）上的重複使用，管道機制實現了對全部步驟的流式化封裝和管理。
   model = Pipeline(steps=[
       ('ss', StandardScaler()), # transformer
       ('en', classifier())  # estimator
   ])

   parameters = {
       'en__alpha': [ 0.001, 0.01, 0.1],
       'en__l1_ratio': [ 0.001, 0.01, 0.1]
   }

   # StratifiedKFold用法類似Kfold，但是他是分層取樣，確保訓練集，測試集中各類別樣本的比例與原始資料集中相同。
   folder = StratifiedKFold(n_splits=3, shuffle=True)

   # Exhaustive search over specified parameter values for an estimator.
   grid_search = GridSearchCV(
       model, 
       parameters, 
       cv=folder, 
       n_jobs=-1,  # -1 means using all processors
       verbose=1)
   grid_search = grid_search.fit(data[predictors], 
                                 data['label'])

   return grid_search

模型採用的是 SGDClassifier，使用了 Python 中的 Pipeline 管道機制，可以使引數集在新資料集（比如測試集）上的重複使用，管道機制實現了對全部步驟的流式化封裝和管理。交叉驗證採用 StratifiedKFold，其用法類似 Kfold，但是 StratifiedKFold 是分層取樣，確保訓練集，測試集中各類別樣本的比例與原始資料集中相同。

3.訓練

接下來就可以使用該模型對訓練集進行訓練了，整個訓練過程大概 1-2 分鐘的時間。

predictors = original_feature
model = check_model(train, predictors)

4.驗證

然後對驗證集中每個優惠券預測的結果計算 AUC，再對所有優惠券的 AUC 求平均。計算 AUC 的時候，如果 label 只有一類，就直接跳過，因為 AUC 無法計算。

# valid predict
y_valid_pred = model.predict_proba(valid[predictors])
valid1 = valid.copy()
valid1['pred_prob'] = y_valid_pred[:, 1]
valid1.head(5)

注意這裡得到的結果 pred_prob 是機率值（預測樣本屬於正類的機率）。

最後，就可以對驗證集計算 AUC。直接呼叫 sklearn 庫自帶的計算 AUC 函式即可。

# avgAUC calculation
vg = valid1.groupby(['Coupon_id'])
aucs = []
for i in vg:
   tmpdf = i[1] 
   if len(tmpdf['label'].unique()) != 2:
       continue
   fpr, tpr, thresholds = roc_curve(tmpdf['label'], tmpdf['pred_prob'], pos_label=1)
   aucs.append(auc(fpr, tpr))
print(np.average(aucs))

0.532344469452

最終得到的 AUC 就等於 0.53。

測試

訓練完模型之後，就是使用訓練好的模型對測試集進行測試了。並且將測試得到的結果（機率值）按照規定的格式儲存成一個 .csv 檔案。

# test prediction for submission
y_test_pred = model.predict_proba(dftest[predictors])
dftest1 = dftest[['User_id','Coupon_id','Date_received']].copy()
dftest1['Probability'] = y_test_pred[:,1]
dftest1.to_csv('submit.csv', index=False, header=False)
dftest1.head(5)

值得注意的是，這裡得到的結果是機率值，最終的 AUC 是提交到官網之後平臺計算的。因為測試集真正的 label 我們肯定是不知道的。

提交結果

好了，最後一步就是在比賽官網上提交我們的預測結果，即這裡的 submit.csv 檔案。提交完之後，過幾個小時就可以看到成績了。整個比賽的流程就完成了。

最佳化模型

其實，本文所述的整個比賽思路和演算法是比較簡單的，得到的結果和成績也只能算是合格，名次不會很高。我們還可以運用各種手段最佳化模型，簡單來說分為以下三種：

• 特徵工程

• 機器學習

• 模型融合

總結

本文的主要目的是帶領大家走一遍整個比賽的流程，培養一些比賽中特徵提取和演算法應用方面的知識。這個天池比賽目前還是比較火熱的，雖然沒有獎金，但是參賽人數已經超過 1.1w 了。看完本文之後，希望大家有時間去參加感受一下機器學習比賽的氛圍，將理論應用到實戰中去。

本文完整的程式碼我已經放在了 GitHub 上，有需要的請自行領取：

https://github.com/RedstoneWill/MachineLearningInAction-Camp/tree/master/Week4/o2o%20Code_Easy

同時，本比賽第一名的程式碼也開源了，一同放出，供大家學習：

https://github.com/wepe/O2O-Coupon-Usage-Forecast