初學者可以參考daoliker提供的資料：https://github.com/daoliker/JData，這是一位熱心的參賽者提供的一份入門程序，涵蓋了數據清洗、數據（統計）分析、特徵抽取、搭建模型、模型評估，這些機器學習通用的完整流程，對於初學者來說可以作爲參考。
上面的連接中有相關的說明，如：
data_cleaning.ipynb 數據清洗
data_analysis.ipynb 數據分析
exlpore_potential_user.ipynb 探索高潛用戶行爲
其他都是.py的python文件，無需額外說明，上面這幾個.ipynb是可導入jupyter notebook的文件，如果沒有安裝的話需要先安裝jupyter notebook，然後upload上面幾個文件即可。
一 基礎數據介紹：
官網上其實已經有了描述，這裏爲了方便查看，再次列出：
1. 用戶數據 - JData_User.csv
user_id 用戶ID
脫敏
age 年齡段
-1表示未知
sex 性別
0表示男，1表示女，2表示保密
user_lv_cd 用戶等級有順序的級別枚舉，越高級別數字越大
user_reg_tm 用戶註冊日期粒度到天
2. 商品數據 - JData_Product.csv
sku_id 商品編號
脫敏
a1 屬性1
枚舉，-1表示未知
a2 屬性2
枚舉，-1表示未知
a3 屬性3
枚舉，-1表示未知
cate 品類ID
脫敏
brand 品牌ID
脫敏
3. 評價數據 - JData_Comment.csv
dt 截止到時間
粒度到天
sku_id 商品編號
脫敏
comment_num 累計評論數分段0表示無評論，1表示有1條評論，
2表示有2-10條評論，
3表示有11-50條評論，
4表示大於50條評論
has_bad_comment 是否有差評0表示無，1表示有
bad_comment_rate 差評率差評數佔總評論數的比重
4. 行爲數據 - JData_Action_201602.csv,JData_Action_201604.csv,JData_Action_201603.csv
user_id 用戶編號
脫敏
sku_id 商品編號
脫敏
time 行爲時間
model_id 點擊模塊編號，如果是點擊脫敏
type 1.瀏覽（指瀏覽商品詳情頁）； 2.加入購物車；3.購物車刪除；4.下單；5.關注；6.點擊
cate 品類ID
脫敏
brand 品牌ID
脫敏
二 任務描述：
參賽者需要使用京東多個品類下商品的歷史銷售數據，構建算法模型，預測用戶在未來5天內，對某個目標品類下商品的購買意向。對於訓練集中出現的每一個用戶，參賽者的模型需要預測該用戶在未來5天內是否購買目標品類下的商品以及所購買商品的SKU_ID。評測算法將針對參賽者提交的預測結果，計算加權得分。
三 https://github.com/daoliker/JData程序詳解
這裏對這位作者的程序進行一下簡單解析，可供初學者參考，因爲是自己的理解，可能有不當之處，歡迎大家批評指出。
3.1 數據清洗 data_cleaning.ipynb
數據與程序在相同目錄，/data文件夾下，如下圖，比大賽提供的數據多了JData_Action_201603_extra.csv【作者在git中已經說明，這個是前面一版的數據，從代碼中刪除這個文件相關的代碼即可】，JData_User_New.csv，user_table.csv，item_table.csv四個文件，這是其他程序生成的。其中，item_table.csv由create_item_table.py生成，user_table.csv由create_user_table.py生成；JData_User_New.csv由explore_data.py生成。
文件執行順序：
1、 生成缺失的三個文件，這一步的目的，是把文件中的數據按照商品和用戶兩個維度進行聚合
執行順序：
python create_item_table.py
python explore_data.py
python create_user_table.py
執行時間較長，但完成後，可以在data/目錄下看到新生成的三個文件，注意檢驗數據條數是否一致
2、缺失文件生成完成後，就可以進行數據清洗和分析了
（2-1）數據分析
進入到我們下載上面程序的目錄，在這個目錄下啓動jupyter notebook:
直接點擊data_analysis.ipynb查看即可，這裏是在notebook中通過pandas，numpy和matplotlib查看數據的統計特徵，進行初步分析
（2-2）數據清洗
查看data_cleaning.ipynb，這裏面有原作者的詳細描述，介紹了一種數據清洗方法，大家可以在這裏改爲自己的清洗策略
3、高潛用戶行爲分析，查看explore_potential_user.ipynb即可，這裏是原作者對高潛用戶的一些定義，大家可以根據自己的理解修改或調整閾值
4、挖掘過程和結果：
python potential_user.py
簡要說明：
find_buy_user函數，查找2，3，4月有購買行爲的用戶記錄（type=4，已去重），保留"user_id", "sku_id"字段，含義分別爲用戶id，商品id，結果數據存儲到了buy_user_list.csv
find_potential_user，查找潛在用戶，使用策略爲：先讀取buy_user_list.csv，取出有購買行爲的用戶；然後通過ui_record_in_batch_data方法，拿到用戶的行爲序列（不只是購買行爲）；more_than_a_day方法：最後購買日期：行爲序列中，購買類型行爲的最後日期(last_buy_day)；最早行爲日期(earliest_behave_day)：對某商品有瀏覽等行爲的最早日期，這裏對用戶的意向打了一個標籤，當last_buy_day>earliest_behave_day時，則標記potential_flag
爲1；否則標記爲0
意義：這裏標籤的定義方式爲，如果用戶對某個商品，有從瀏覽，到最終購買的行爲鏈條，則可以說明用戶對該商品有購買意向；否則說明沒有。
當然，上述標籤只是原作者的一種定義方式，可能並不符合我們的設想，我們可以針對這裏進行改進。例如，多次瀏覽同一商品，有關注，或加入購物車行爲都可以認爲是有意向，只是強弱不同，這樣，可以構造特徵集合，並使用邏輯迴歸進行分類。
具體的策略，暫時不進行描述。以上就是對daoliker資料的介紹了。