load_data.py

• 装载三月四月份数据，保存在'data/month_34_all_data.csv'位置：

     load_data(month_3_data_path, month_3_extra_data_path, month_4_data_path,month_34_all_data_path)
  

• 发现异常用户，返回need_delete_user的list集合：

     find_unNormal_user(month_34_all_data_path)
  

• 删除异常用户，将所有行为数据保存至'data/all_dataSet.csv'

     clean_unNormal_data(all_dataSet_path, month_34_all_data_path)
  

---

generate_dataSet.py

• 以2016-03-17到2016-04-05数据 预测2016-04-06到2016-04-10某用户是否下单某商品

• 以2016-03-22到2016-04-10数据 预测2016-04-11到2016-04-15某用户是否下单某商品

• 以2016-03-27到2016-04-15数据 预测2016-04-16到2016-04-20某用户是否下单某商品

    all_dataSet_path = 'data/all_dataSet.csv'
    one_dataSet_train_path = 'data/one_dataSet_train.csv'
    one_dataSet_test_path = 'data/one_dataSet_test.csv'
    two_dataSet_train_path = 'data/two_dataSet_train.csv'
    two_dataSet_test_path = 'data/two_dataSet_test.csv'
    three_dataSet_train_path = 'data/three_dataSet_train.csv'
  

  从总表中按上面时间截取部分数据作为数据集 : generate_dataSet() 切分方法函数：

    cut_data_as_time(dataSet_path, new_dataSet_path , begin_day, end_day)
  

---

generate_all_feature.py

train_one_train_feature_path = 'data/train_one_train_feature.csv'
train_two_train_feature_path = 'data/train_two_train_feature.csv'
train_three_train_feature_path = 'data/train_three_train_feature.csv'

总的合并各种特征，最终结果保存在上面地址：generate_all_feature()

1. generate_feature.py

    fetch_feature(sample_filename, feature_filename, item_brand, code)
    - sample_filename:样本信息地址
       - feature_filename：提取出的特征地址
       - code : 针对不同信息样本，表征下不同的特证名
       - 此处48维特征
   

2. generate_feature_1.py 处理用户信息特征：deal_with_user_data() 处理商品评价特征：deal_with_comment_data() 将上述特征加入到目前的特征中：

     fetch_feature_1(train_feature_path, finnal_feature_data_path)
   

3. generate_feature_2.py 自动生成当前数据集最近2\4\6\8天的特征：

   split_dataSet_and_generate_feature()
   

   将上述特征加入到目前的特征中：

   fetch_feature_2(train_feature_path, finnal_feature_data_path, index)
   

---

combine_feature_dataSet.py

之前的特征位置

train_one_train_feature_path = 'data/train_one_train_feature.csv'
train_two_train_feature_path = 'data/train_two_train_feature.csv'
train_three_train_feature_path = 'data/train_three_train_feature.csv' 

源数据集：

one_dataSet_test_path = 'data/one_dataSet_test.csv'
two_dataSet_test_path = 'data/two_dataSet_test.csv'

合并后保存的位置：

one_train_dataSet_final_path = 'data/one_train_dataSet_final.csv'
two_train_dataSet_final_path = 'data/two_train_dataSet_final.csv'

核心函数包括 main_combine()：

1. 从最开始划分的不同时间数据集中找出正样本信息，与之对应到特征数据集中对相应样本进行正负样本标注：

    fetch_sample(test_data_path, feature_data_path, negative_data_path,positive_data_path)
   

2. 负样本太多，进行抽取部分作为负样本：

    fetch_negative_sample(negative_data_path, new_negative_data_path)
   

3. 将现有正负样本（经过标注）合并成训练集测试集等，用于最终测试

    combine_neg_and_posi(negative_data_path, positive_data_path, train_dataSet_path)
   

---

ceshiyanzheng.py

1. 用来计算AB值，输入为（user_id,sku_id）格式

    evl(two_real_path, two_answer_path)
   

2. 用来输出测试后的答案

    output_answer(dataSet_path, proba_path, before_answer_path, answer_path)
    - dataSet_path   训练集
    - proba_path    预测结果
    - before_answer_path  将结果标准化(user_id,sku_id)格式
    - answer_path    去除before_answer_path中重复的数据，为最终结果
   

---

##　load_data.py ##

一般来说此时数据集准备就绪，但是按题意所有预测商品均在Ｐ中，我们需要删除一部分数据集中不属于这些商品的数据

　clean_data(dataSet_path, after_dataSet_path)
　-　dataSet_path　输入为　特征数据集，用来训练或者预测的特征集，未清洗
　-　 after_dataSet_path　　　合理的，将直接用于ｍｏｄｅｌ的特征数据集

---

##　main_test.py ##

这里选用ＲＦ测试：

clf = model_rf.classify_user_item(train_feature_dataSet, test_feature_dataSet, 
                         proba_path)
                         
model_rf.classify(clf, test_feature_dataSet, proba_path)      
model_rf.output_answer(feature_path, proba_path, two_before_answer_path, two_answer_path)

ceshiyanzheng.evl(two_real_path, two_answer_path)