2026年泰迪杯数据挖掘C题新手入门指南：从数据预处理到模型构建全流程解析

1次阅读

共计 2006 个字符，预计需要花费 6 分钟才能阅读完成。

2026 年泰迪杯数据挖掘竞赛 C 题聚焦于电商场景下的用户行为预测。根据往届赛题规律，数据集通常包含以下特点：

结构化数据为主 ：用户 ID、行为时间戳、商品类别等字段
高维度稀疏特征 ：用户 - 商品交互矩阵稀疏性显著
时序性显著 ：需考虑用户行为的时间序列模式

典型问题类型为二分类预测（如用户是否会购买特定商品）或多分类预测（如预测用户下次访问的商品类别）。

import pandas as pd
import numpy as np

# 示例：处理数值型缺失值
df['age'].fillna(df['age'].median(), inplace=True)

# 处理类别型缺失值
df['category'] = df['category'].fillna('unknown')

# IQR 方法检测异常值
Q1 = df['purchase_amount'].quantile(0.25)
Q3 = df['purchase_amount'].quantile(0.75)
IQR = Q3 - Q1
df = df[~((df['purchase_amount'] < (Q1 - 1.5*IQR)) | 
          (df['purchase_amount'] > (Q3 + 1.5*IQR)))]

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
df[['amount', 'frequency']] = scaler.fit_transform(df[['amount', 'frequency']])

# 时间特征提取
df['hour'] = pd.to_datetime(df['timestamp']).dt.hour
df['is_weekend'] = pd.to_datetime(df['timestamp']).dt.weekday >= 5

# 用户行为统计特征
user_stats = df.groupby('user_id')['action_type'].agg(['count', 'nunique'])
user_stats.columns = ['total_actions', 'unique_action_types']
df = df.merge(user_stats, on='user_id')

# 滑动窗口统计
window_size = 3
df['rolling_avg'] = df.groupby('user_id')['amount'].transform(lambda x: x.rolling(window_size).mean())

模型	准确率	训练时间 (s)	适用场景
Logistic 回归	0.78	5.2	线性可分数据
随机森林	0.85	32.1	高维特征
XGBoost	0.87	28.5	不平衡数据

from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import RandomForestClassifier

param_grid = {'n_estimators': [100, 200],
    'max_depth': [5, 10]
}

clf = GridSearchCV(RandomForestClassifier(), param_grid, cv=5)
clf.fit(X_train, y_train)
print(f'最佳参数: {clf.best_params_}')

from skopt import BayesSearchCV

opt = BayesSearchCV(RandomForestClassifier(),
    {'n_estimators': (100, 500),
        'max_depth': (3, 15)
    },
    n_iter=10,
    cv=5
)
opt.fit(X_train, y_train)