DLF数据探索快速入门-淘宝用户行为分析

第一步：开通DLF和OSS服务

1.1 登录到DLF控制台页面。

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，会提示用户开通服务。单击免费开通数据湖构建。

开通服务后，返回DLF控制台页面。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控制台页面，点击刷新检查状态。页面自动跳转至DLF控制台主页面。

开通完成后，进入DLF控制台主页：

第二步：在OSS中导入需要分析的数据

2.1 下载样例代码，放在本地磁盘。

解压后得到文件夹：user_behavior_data，包含item和user两个文件夹，里面分别包含了各自的csv数据文件。本次分析主要集中在user文件中，数据内容如下。

2.2 将文件上传至OSS。

进入OSS控制台，上传文件使用已有的Bucket，或创建新的Bucket。

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

第三步：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，其下一级为Table。

a. 在DLF控制台中，进入元数据➡元数据管理页面，创建元数据库。

b. 填入数据库名称。并选择刚才存有用户行为分析数据的路径

如下图所示，元数据库创建成功。

3.2 发现OSS文件中的元数据表信息

a. 进入DLF元数据抽取页面，点击“新建抽取任务”。

b. 填写数据源相关配置，点击下一步。

c. 选择要使用的目标元数据库，点击下一步。

d. 选择过程中需要用到的RAM角色，默认为开通阶段已经授权的“AliyunDLFWorkFlowDefaultRole”。运行模式选择“手动执行”。抽取策略选择“快速抽取”以最快的速度完成元数据发现。

e. 核对信息后，点击“保存并立即执行”。

系统会跳转到元数据抽取列表页面，新建的任务开始创建并自动运行。

约10秒后任务运行完成。鼠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。

f. 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。

g. 点击表详情，查看并确认抽取出来的表结构是否符合预期。

至此，我们通过DLF自动发现数据湖CSV文件Schema的过程已经完成。下一步我们开始针对数据湖内的数据做分析。

第四步：用户行为数据分析

4.1 数据分析概述

在DLF控制台页面，点击菜单“数据探索”-“SQL 查询”，进入数据探索页面。

数据分析的过程主要分为三步：

1. 预览并检查数据信息。

2. 简单的数据清洗。

3. 进行用户活跃度、漏斗模型和商品热度分析。

4.2 预览并检查数据

在查询框输入下面的语句，查看文件中的数据信息。

set spark.sql.legacy.timeParserPolicy=LEGACY;
-- 预览数据
select * from `dlf_demo`.`user` limit 10;
select * from `dlf_demo`.`item` limit 10;

-- 用户数 17970
select COUNT(DISTINCT user_id) from `dlf_demo`.`user`;

-- 商品数 422858
select COUNT(DISTINCT item_id) from `dlf_demo`.`item`;

-- 行为记录数 746024
select COUNT(*) from `dlf_demo`.`user`;

数据内容如下：

4.3 数据预处理

我们对原始数据进行一定的处理，已提高数据的可读性，并提高分析的性能。

将behavior_type修改成更好理解的字符串信息；将日志+时间的格式打平到两个单独的列，再加上周信息，便于分别做日期和小时级别的分析；过滤掉不必要的字段。并将数据存入新表user_log，表格式为Parquet，按日期分区。后续我们会基于新表做用户行为分析。

-- 数据转换耗时约40秒-- 创建新表user_log，parquet格式，按日期分区
-- 导入数据，拆分日期和小时，并将behavior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`;
  
 -- 查看运行后的数据  
select * from `dlf_demo`.`user_log` limit 10; 

4.4 用户行为分析

首先，我们基于漏斗模型，对所有用户从点击到加购/收藏到购买的转化情况。

-- 漏斗分析耗时13秒
SELECT
behavior, COUNT(*) AS total
FROM `dlf_demo`.`user_log`
GROUP BY behavior
ORDER BY total DESC

结果如下：

然后我们一周内每天的用户行为做统计分析

-- 用户行为分析耗时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，对于工作日和非工作日的结果有失真）

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文件的形式下载的功能，启用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。用户可以通过DLF页面上的“下载”按钮直接下载，也可以直接通过OSS访问和下载该文件。

通过点击页面上的“路径设置”按钮进行设置。

可以选择已有文件夹或者新建文件夹。

4.6 保存SQL

通过点击“保存”按钮，可以将该次分析用到的sql保存，后续可以直接在“已存查询”中打开做进一步的调用及修改。