云天徽上 发表于 7 天前

【数据可视化】智能手机用户行为可视化分析

>🧑 博主简介：曾任某智慧城市类企业算法总监，CSDN / 稀土掘金 等平台人工智能领域优质创作者。

>目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。

---

## 一、引言
在5G时代，智能手机已经成为我们生活中不可或缺的一部分。随着各类应用的丰富发展，用户的使用行为也呈现出多样化的特点。为了更好地理解用户的使用习惯，本文通过模拟生成的700位用户智能手机使用数据，进行深入分析，探索不同用户群体的使用行为特征。

![](https://files.mdnice.com/user/84866/e77b3091-41af-426c-9dc9-4db598cc23ca.png)

## 二、数据概述和探索

数据集包含以下字段：
![](https://files.mdnice.com/user/84866/39493df1-7b45-46de-87c2-0c3dab5b9eef.png)

### 2.1 导入python库
```python
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

%matplotlib inline

import warnings
warnings.filterwarnings('ignore')

# 设置中文字体
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号
```

### 2.2 加载数据探索
```python
data = pd.read_csv("user_behavior_dataset.csv")

print('查看数据信息:')
data.info()
print(f'查看重复值:{data.duplicated().sum()}')
```
![](https://files.mdnice.com/user/84866/49ad35ac-07ef-4c2c-88a9-8c5a3bb8203a.png)

数据集无缺失值和重复值，整体质量良好，适合进行深入分析。

## 三、描述性分析
```python
plt.figure(figsize=(20,15))
plt.subplot(3, 4, 1)
Operating_System_counts = data['Operating System'].value_counts()
plt.pie(Operating_System_counts, labels=Operating_System_counts.index, autopct='%1.1f%%', startangle=140)
plt.title('设备的操作系统分布', fontsize=16)

plt.subplot(3, 4, 2)
sns.histplot(data['App Usage Time (min/day)'], kde=True,bins=32)
plt.title('每天在移动应用上花费的时间分布', fontsize=16)
plt.xlabel('每天在移动应用上花费的时间（分钟）')
plt.ylabel('人数')

plt.subplot(3, 4, 3)
sns.histplot(data['Screen On Time (hours/day)'], kde=True,bins=11)
plt.title('屏幕每天平均活跃时间分布', fontsize=16)
plt.xlabel('屏幕每天平均活跃时间（小时）')
plt.ylabel('人数')

plt.subplot(3, 4, 4)
sns.histplot(data['Battery Drain (mAh/day)'], kde=True,bins=24)
plt.title('每日电池消耗量分布', fontsize=16)
plt.xlabel('每日电池消耗量（毫安时）')
plt.ylabel('人数')

plt.subplot(3, 4, 5)
sns.histplot(data['Number of Apps Installed'], kde=True,bins=21)
plt.title('设备上安装的应用程序总数分布', fontsize=16)
plt.xlabel('设备上安装的应用程序总数')
plt.ylabel('人数')

plt.subplot(3, 4, 6)
sns.histplot(data['Data Usage (MB/day)'], kde=True,bins=25)
plt.title('每日移动数据消耗量分布', fontsize=16)
plt.xlabel('每日移动数据消耗量（兆字节）')
plt.ylabel('人数')

plt.subplot(3, 4, 7)
sns.histplot(data['Age'], kde=True,bins=20)
plt.title('用户年龄分布', fontsize=16)
plt.xlabel('用户年龄')
plt.ylabel('人数')

ax8 = plt.subplot(3, 4, 8)
sns.countplot(x='Gender', data=data)
plt.title('用户性别分布', fontsize=16)
plt.xlabel('用户性别')
plt.ylabel('人数')
for p in ax8.patches:
    ax8.annotate(f'{p.get_height()}', (p.get_x() + p.get_width() / 2., p.get_height()),
                ha='center', va='center', fontsize=11, color='black', xytext=(0, 5),
                textcoords='offset points')

ax9 = plt.subplot(3, 4, (9,10))
sns.countplot(x='Device Model', data=data)
plt.title('用户智能手机的型号分布', fontsize=16)
plt.xlabel('用户智能手机的型号')
plt.ylabel('人数')
for p in ax9.patches:
    ax9.annotate(f'{p.get_height()}', (p.get_x() + p.get_width() / 2., p.get_height()),
                ha='center', va='center', fontsize=11, color='black', xytext=(0, 5),
                textcoords='offset points')

ax11 = plt.subplot(3, 4, (11,12))
sns.countplot(x='User Behavior Class', data=data)
plt.title('用户行为类别分布', fontsize=16)
plt.xlabel('用户行为类别')
plt.ylabel('人数')
for p in ax11.patches:
    ax11.annotate(f'{p.get_height()}', (p.get_x() + p.get_width() / 2., p.get_height()),
                ha='center', va='center', fontsize=11, color='black', xytext=(0, 5),
                textcoords='offset points')


plt.tight_layout()
plt.show()
```
![](https://files.mdnice.com/user/84866/b61737cc-24a9-49d2-b3f8-8960dd9ae95b.png)


## 四、用户行为可视化分析

### 4.1 用户行为类别分布

```python
# 用户行为类别分布
plt.figure(figsize=(10, 6))
sns.countplot(x='User Behavior Class', data=data)
plt.title('用户行为类别分布', fontsize=16)
plt.xlabel('用户行为类别', fontsize=12)
plt.ylabel('人数', fontsize=12)
plt.show()
```

![](https://files.mdnice.com/user/84866/67794c5c-9b56-4811-a306-dcef0e686ebf.png)
用户行为根据使用模式被分类为1到5，分布相对均匀。2类用户最多，1类和5类最少，但与最多类仅相差10人。

### 4.2 用户行为与设备型号
```python
device_model_sales = data.groupby(['User Behavior Class', 'Device Model']).size().unstack(fill_value=0)

fig, ax = plt.subplots(figsize=(16, 8))
device_model_sales.plot(kind='bar', stacked=True, ax=ax)
for i, (behavior_idx, model_row) in enumerate(device_model_sales.iterrows()):
    cum_height = 0
    for model_idx, value in model_row.items():
      percentage = value / model_row.sum() * 100
      if value > 0:
            ax.text(i, cum_height + value/2, f'{model_idx}: {percentage:.1f}%',
                  ha='center', va='center', color='black', fontsize=12, fontweight='bold')
      cum_height += value

ax.legend().set_visible(False)
ax.set_title('用户行为类别与设备型号分布', fontsize=16)
ax.set_xlabel('用户行为类别', fontsize=12)
ax.set_ylabel('用户数量', fontsize=12)
ax.set_xticklabels(device_model_sales.index, rotation=0)
plt.tight_layout()
plt.show()
```

![](https://files.mdnice.com/user/84866/3e01f465-0b03-4b7f-8365-d17d03708278.png)
不同用户行为类别的设备型号分布显示，1类用户使用谷歌和小米的比较多，2类用户使用三星、苹果和一加的比较多，3类用户使用苹果、小米、谷歌的比较多，4类用户使用三星的占比最大，5类用户使用苹果占比最大。

### 4.3 用户行为与操作系统


```python
os_sales = data.groupby(['User Behavior Class', 'Operating System']).size().unstack(fill_value=0)

fig, ax = plt.subplots(figsize=(16, 8))
os_sales.plot(kind='bar', stacked=True, ax=ax)
for i, (behavior_idx, model_row) in enumerate(os_sales.iterrows()):
    cum_height = 0
    for model_idx, value in model_row.items():
      percentage = value / model_row.sum() * 100
      if value > 0:
            ax.text(i, cum_height + value/2, f'{model_idx}: {percentage:.1f}%',
                  ha='center', va='center', color='black', fontsize=12, fontweight='bold')
      cum_height += value

ax.legend().set_visible(False)
ax.set_title('用户行为类别与操作系统分布', fontsize=16)
ax.set_xlabel('用户行为类别', fontsize=12)
ax.set_ylabel('用户数量', fontsize=12)
ax.set_xticklabels(os_sales.index, rotation=0)
plt.tight_layout()
plt.show()
```

![](https://files.mdnice.com/user/84866/db791482-db53-400b-98cc-d216d0e2ee38.png)
由于数据中，5类品牌手机，有4类是安卓系统的，导致每一类都是安卓使用的最多。但当使用苹果手机的用户占比比较大的时候，对应的iOS系统占比也比较大。

### 4.4 用户行为与应用使用时间


```python
plt.figure(figsize=(16, 8))
sns.boxplot(x=data['User Behavior Class'], y=data['App Usage Time (min/day)'])
plt.title('用户行为类别与每天在移动应用上花费的时间分布', fontsize=16)
plt.xlabel('用户行为类别', fontsize=12)
plt.ylabel('每天在移动应用上花费的时间（分钟）', fontsize=12)
plt.show()
```

![](https://files.mdnice.com/user/84866/69c68f5a-1883-4311-ae0b-616dc5c2bc7b.png)
1类用户到5类用户，每天在移动应用上花费的时间显著增多，表明这是划分用户类别的主要因素之一。

### 4.5 用户行为与屏幕活跃时间


```python
plt.figure(figsize=(16, 8))
sns.boxplot(x=data['User Behavior Class'], y=data['Screen On Time (hours/day)'])
plt.title('用户行为类别与屏幕每天平均活跃时间分布', fontsize=16)
plt.xlabel('用户行为类别', fontsize=12)
plt.ylabel('屏幕每天平均活跃时间（小时）', fontsize=12)
plt.show()
```

![](https://files.mdnice.com/user/84866/4121a3db-0632-40c1-b7d3-a0d834f36c49.png)

1类用户到5类用户，屏幕每天平均活跃时间也显著增多，表明这是划分用户类别的主要因素之一。

### 4.6 用户行为与电池消耗量

```python
plt.figure(figsize=(16, 8))
sns.boxplot(x=data['User Behavior Class'], y=data['Battery Drain (mAh/day)'])
plt.title('用户行为类别与每日电池消耗量分布', fontsize=16)
plt.xlabel('用户行为类别', fontsize=12)
plt.ylabel('每日电池消耗量（毫安时）', fontsize=12)
plt.show()
```

![](https://files.mdnice.com/user/84866/46e6cc0e-448b-4c2d-b104-2630a240eecf.png)
1类用户到5类用户，每日电池消耗量显著增多，表明这是划分用户类别的主要因素之一。

### 4.7 用户行为与安装应用数量

```python
plt.figure(figsize=(16, 8))
sns.boxplot(x=data['User Behavior Class'], y=data['Number of Apps Installed'])
plt.title('用户行为类别与设备上安装的应用程序总数分布', fontsize=16)
plt.xlabel('用户行为类别', fontsize=12)
plt.ylabel('设备上安装的应用程序总数', fontsize=12)
plt.show()
```

![](https://files.mdnice.com/user/84866/483e61a3-da00-42d3-875a-c31c9f0e3217.png)
1类用户到5类用户，设备上安装的应用程序总数显著增多，表明这是划分用户类别的主要因素之一。


### 4.8 用户行为与每日数据消耗量

```python
plt.figure(figsize=(16, 8))
sns.boxplot(x=data['User Behavior Class'], y=data['Data Usage (MB/day)'])
plt.title('用户行为类别与每日移动数据消耗量分布', fontsize=16)
plt.xlabel('用户行为类别', fontsize=12)
plt.ylabel('每日移动数据消耗量（兆字节）', fontsize=12)
plt.show()
```

![](https://files.mdnice.com/user/84866/9fcbf243-4102-4108-9ad3-feaed43b21d5.png)
1类用户到5类用户，每日移动数据消耗量显著增多，表明这是划分用户类别的主要因素之一。

### 4.9 用户行为与年龄
```python
plt.figure(figsize=(16, 8))
sns.boxplot(x=data['User Behavior Class'], y=data['Age'])
plt.title('用户行为类别与用户年龄分布', fontsize=16)
plt.xlabel('用户行为类别', fontsize=12)
plt.ylabel('用户年龄', fontsize=12)
plt.show()
```

![](https://files.mdnice.com/user/84866/fc44e723-d3ae-485b-a9ab-54bbb7a04aab.png)
1类和5类的年龄中位数比其他类低，4类的年龄中位数最高，但年龄与用户行为类别没有显著关系。
### 4.10 用户行为与性别

```python
gender_sales = data.groupby(['User Behavior Class', 'Gender']).size().unstack(fill_value=0)

fig, ax = plt.subplots(figsize=(16, 8))
gender_sales.plot(kind='bar', stacked=True, ax=ax)
for i, (behavior_idx, model_row) in enumerate(gender_sales.iterrows()):
    cum_height = 0
    for model_idx, value in model_row.items():
      percentage = value / model_row.sum() * 100
      if value > 0:
            ax.text(i, cum_height + value/2, f'{model_idx}: {percentage:.1f}%',
                  ha='center', va='center', color='black', fontsize=12, fontweight='bold')
      cum_height += value

ax.legend().set_visible(False)
ax.set_title('用户行为类别与用户性别分布', fontsize=16)
ax.set_xlabel('用户行为类别', fontsize=12)
ax.set_ylabel('用户数量', fontsize=12)
ax.set_xticklabels(gender_sales.index, rotation=0)
plt.tight_layout()
plt.show()
```

![](https://files.mdnice.com/user/84866/f38ea50d-cc9a-4be2-8bc7-237d6cf1c482.png)
不同用户行为类别的性别分布显示，3类女性占比最大，2类和4类女性占比比其他类小，但性别与用户行为类别没有显著关系。

## 五、总结
通过以上可视化分析，我们可以清晰地看到不同用户行为类别的特征分布。这些分析结果不仅有助于理解用户的使用习惯，还可以为手机制造商优化产品设计、运营商制定更智能的流量套餐方案提供数据支持，并为后续用户行为分类提供依据。

---
如果您在人工智能领域遇到技术难题，或是需要专业支持，无论是技术咨询、项目开发还是个性化解决方案，我都可以为您提供专业服务，如有需要可站内私信或添加下方VX名片（ID：xf982831907）

期待与您一起交流，共同探索AI的更多可能！

页: [1]
查看完整版本: 【数据可视化】智能手机用户行为可视化分析