在用戶行為分析中，常常需要同時處理多個特征，例如訪問次數、消費金額、停留時長、收藏數量等。這些特征雖然都能反映用戶活躍程度或消費傾向，但它們的單位、量綱和取值范圍通常并不一致。如果直接將原始數據用于綜合評分或相似度計算，數值較大的特征往往會對結果產生過強影響，從而削弱分析的合理性。

因此，在正式分析之前，通常需要先進行特征縮放。最常見的兩種處理方法就是歸一化與標準化。前者通常用于將數據壓縮到統一范圍，便于綜合評分；后者則更適合用于距離計算和相似性分析。

本實例以一組電商平臺用戶行為數據為例，使用 NumPy 完成以下任務：對用戶特征進行歸一化和標準化處理，在此基礎上計算用戶評分，并通過距離計算找出最相近的用戶。

一、理論基礎

1、特征縮放的意義

在多特征數據分析中，不同特征往往具有不同的數值尺度。

例如，月消費金額可能是數千元，而收藏商品數可能只有十幾個。如果不先統一尺度，后續的加權評分、距離度量等計算就容易被大數值特征“主導”。

特征縮放的主要目的有三點：

? 消除不同特征之間的量綱差異

? 避免大范圍特征對結果產生不成比例的影響

? 使不同特征能夠在同一尺度下共同參與分析

2、歸一化

歸一化通常指最小—最大歸一化，即將某一特征的全部取值線性壓縮到 [0, 1] 區間。

公式為：

其中：

? x 表示原始值

? x_min 表示該特征的最小值

? x_max 表示該特征的最大值

? x' 表示歸一化后的結果

歸一化后的數據具有兩個明顯特點：

? 所有值都落在同一固定區間內

? 仍然保留原始數據的大小規律

因此，它非常適合用于綜合評分、加權比較等場景。

3、標準化

標準化通常指Z-score 標準化，即把每個特征轉換為“相對于均值偏離多少個標準差”的形式。

公式為：

其中：

? x 表示原始值

? μ 表示該特征的均值

? σ 表示該特征的標準差

? z 表示標準化后的結果

標準化后的數據不一定落在固定區間內，但其各列通常具有“均值為 0、標準差為 1”的性質。它更適合用于距離計算、聚類分析、近鄰查找等任務，因為它能較好地消除不同特征尺度差異對距離度量的干擾。

4、兩種方法的使用區別

歸一化與標準化都屬于特征縮放技術，但適用重點不同：

? 當任務強調“統一評分尺度”時，通常使用歸一化

? 當任務強調“比較樣本之間的差異程度”時，通常使用標準化

本實例中，用戶評分采用歸一化數據，而用戶距離計算采用標準化數據，這也是該類任務中較常見的處理方式。

二、任務分析

1、原始數據與分析目標

現有 5 位用戶的行為數據，每位用戶包含 4 個特征：月訪問次數、月消費金額、平均停留時長和收藏商品數。數據如下：

用戶

月訪問次數

月消費金額（元）

平均停留時長（分鐘）

收藏商品數

A

25

1500

8.5

12

B

8

3500

3.2

5

C

42

800

15.0

28

D

15

5200

5.8

8

E

35

2200

11.3

18

根據要求，需要完成三項任務：

（1）對每個特征進行歸一化與標準化

（2）在權重為 [0.3, 0.4, 0.2, 0.1] 的條件下計算用戶評分

（3）計算用戶之間的距離，并找出最相近的用戶

2、數據組織方式

在 NumPy 中，這類數據最適合表示為二維數組：

? 每一行表示一個用戶

? 每一列表示一個行為特征

因此，本實例的數據矩陣形狀為 (5, 4)，即 5 個用戶、4 個特征。后續所有按特征進行的統計，如最小值、最大值、均值、標準差，都應按列計算。在 NumPy 中，這通常通過 axis=0 實現。

3、本實例涉及的 NumPy 知識點

本例雖然是一個綜合應用題，但所用的 NumPy 知識點并不復雜，主要包括以下幾類。

（1）數組創建

使用 np.array() 將原始用戶行為數據組織成二維數組，便于后續統一運算。

（2）按列統計

為了進行歸一化與標準化，需要先得到每一列特征的統計量：

np.std(data, axis=0)：求每列標準差

這些結果本身都是長度為 4 的一維數組，分別對應 4 個特征。

（3）廣播機制

歸一化與標準化都不是逐個元素手工計算，而是直接利用 NumPy 的廣播機制完成整列運算。例如：

(data - min_vals) / (max_vals - min_vals)

這里 data 是二維數組，min_vals 和 max_vals 是一維數組。NumPy 會自動將一維數組沿行方向擴展，使每一列與對應統計量進行匹配運算。

（4）點積計算綜合評分

用戶評分本質上是“特征向量 × 權重向量”的加權求和，因此可以使用：

np.dot(normalized_data, weights)

若 normalized_data 的形狀為 (5, 4)，weights 的形狀為 (4,)，則結果是長度為 5 的一維數組，對應每位用戶的綜合評分。

（5）距離計算

用戶之間的相似程度可通過歐氏距離衡量。

歐氏距離公式為：

在代碼中，可先計算兩個用戶標準化向量的差，再平方、求和、開平方。

（6）排序找近鄰

要找出某個用戶最相近的兩個用戶，可對該用戶與所有用戶的距離進行排序。這里會用到：

np.argsort(distances)

它返回的是“按距離從小到大排序后的下標”。由于每個用戶與自身的距離一定為 0，因此排序后的第一個下標就是當前用戶自己，需要從后面的結果中取最近鄰。

4、處理流程設計

本實例可以按以下順序完成：

（1）構造原始用戶行為數據數組；

（2）分別計算歸一化數據和標準化數據；

（3）使用歸一化數據進行加權評分；

（4）使用標準化數據計算用戶距離矩陣；

（5）根據距離矩陣找出每個用戶的最近鄰，并進一步找出全局最相近的用戶對。

這一流程體現了一個比較完整的數據分析基本框架：

數據準備 → 特征預處理 → 指標計算 → 相似性分析

三、示例代碼

四、結果解讀

1、歸一化結果的意義

歸一化后，每個特征都被壓縮到 [0, 1] 區間。

值越接近 1，表示該用戶在該特征上越接近整體最大水平；值越接近 0，則說明越接近整體最小水平。

因此，歸一化結果適合用于“誰更高、誰更低”的統一比較，也適合做加權評分。

2、標準化結果的意義

標準化后的結果不再表示“絕對大小”，而表示“偏離平均水平的程度”。

? 正值表示高于平均水平

? 負值表示低于平均水平

? 絕對值越大，偏離程度越明顯。

因此，它更適合用于比較用戶行為模式之間的差異。

3、用戶評分的意義

本實例給定的權重為：

[0.3, 0.4, 0.2, 0.1]

表示四個特征的重要程度分別為：

月訪問次數：0.3

月消費金額：0.4

平均停留時長：0.2

收藏商品數：0.1

由于“月消費金額”的權重最高，因此它對最終評分的影響最大。評分越高，說明該用戶在綜合行為表現上越強。

4、距離矩陣的意義

距離矩陣中的每個元素表示兩個用戶之間的差異程度。

距離越小，說明兩位用戶越相似；距離越大，說明二者的行為模式差異越明顯。

主對角線上的值恒為 0，因為任意用戶與自身的距離總是 0。

小結

歸一化和標準化都是常用的特征縮放方法。前者適合綜合評分，后者更適合距離計算與相似性分析。本實例借助 NumPy 的數組、按列統計、廣播、點積與排序等操作，完成了用戶行為數據的預處理、評分與近鄰查找，體現了 NumPy 在數據分析中的基礎應用。

“點贊有美意，贊賞是鼓勵”