简介这是一份基于Python的学生校园消费行为分析项目源码面向Python期末大作业、课程设计以及需要数据分析实战练习的高校学习者也适合作为理解校园消费场景下行为建模的入门参考。项目以某高校校园消费行为数据集为对象基于DFM模型进行特征构建与消费模式分析源码分模块组织包括数据初始化、模型训练与结果分析等环节整体经过本地编译调试具备可运行性曾获导师认可并达到98分评审成绩。压缩包共8个文件类型涵盖3个Python脚本、1个Word文档、1个zip数据集、1个txt依赖文件、1个markdown说明、1个gitignore配置等整体大小约10.07MB目录中同时包含说明文档和项目文档便于快速定位代码与数据集。已有123人学习/下载。读者可以获得从数据导入、特征处理、DFM建模到结果整理输出的完整代码链路结合附带的消费行为数据集可直接复现分析结论也可在此基础上替换数据开展其他校园场景行为研究适用于课程报告或期末答辩材料中的重要支撑。1. 学生校园消费行为分析从一卡通流水里能挖出哪些规律学生校园消费行为分析这个项目简单说就是把几万条食堂、超市、浴室的刷卡流水整理成一张能反映每个人消费习惯的画像表再用聚类把学生分成几类最终产出可解释的统计结果和图表化报告。这套源码数据结果集的完整链路并不复杂但对学校管理和数据分析入门者都很有用食堂窗口排班、超市铺货、异常消费预警甚至贫困认定做数据交叉验证时都能用到。适合刚学完 Python 基础、想练完整数据项目的学生也适合信息化部门想快速跑通第一版分析模型的技术老师。下面我直接按落地顺序讲。2. 数据与特征工程把几万条流水变成一张可计算的画像表2.1 一卡通流水长什么样核心字段与样例数据先看原始数据。一卡通系统的数据库导出 CSV 后常见字段就是下面这几个不同学校命名会有差异但核心内容基本一致字段名类型示例值说明student_id字符串20210101学号导出时建议脱敏trade_time时间戳2024-03-04 07:22:10交易发生时间amount浮点数3.50交易金额退款通常为负值trade_type字符串消费 / 退款区分正常消费和退款merchant字符串一食堂01窗口商户名称或窗口编号balance浮点数156.20交易后卡内余额开始前先把 Python 环境装好装 pandas、scikit-learn、matplotlib、seaborn 这几个库就够了。读取数据用的就是 pandas 的 read_csv但千万别拿到表就急着跑分析第一步永远是清洗。2.2 读取数据并清理四个必做动作import pandas as pd df pd.read_csv( data/consumption.csv, parse_dates[trade_time], dtype{student_id: string} ) # 动作1只保留正常消费退款单拎出来单独统计 refund df[df[trade_type] 退款].copy() df df[df[trade_type] 消费].copy() # 动作2金额小于等于0的记录直接剔除 df df[df[amount] 0] # 动作3同一人同一时刻同一商户同一金额视为重复刷卡 df df.drop_duplicates( subset[student_id, trade_time, merchant, amount] ) # 动作4生成日期列供后续按天聚合 df[date] df[trade_time].dt.date这段代码的逻辑很直接parse_dates 把 trade_time 解析成 datetime 类型后面才能按小时、星期切片trade_type 先按“消费”过滤退款单独存到 refund 里不要直接拿负金额去抵消drop_duplicates 的四个字段组合判断重复防止同一个窗口短时间内连续刷两次造成重复计数date 列是后续按天聚合的前提。这里有个常见误用有人偷懒把退款金额取绝对值后混进消费里结果日均消费被明显抬高后续聚类全部失真。退款和处理后的消费是两类业务事件必须分开统计。2.3 特征衍生从流水到人维度特征流水是记录级的一行一个学生的一次消费但聚类需要把每个学生聚成“一行特征”。这一步叫特征衍生也是比较费脑子的地方。# 第一步按“人 天”聚合得到每天消费额和笔数 daily df.groupby([student_id, date], as_indexFalse).agg( spend(amount, sum), cnt(amount, size) ) # 第二步按人聚合得到整个学期的日均消费、波动、频次 person daily.groupby(student_id, as_indexFalse).agg( avg_daily(spend, mean), std_daily(spend, std), avg_cnt(cnt, mean) ) # 变异系数波动程度 / 平均水平消除绝对金额差异 person[cv] person[std_daily] / person[avg_daily]这四个特征分别是日均消费额、日消费波动、日均刷卡次数、变异系数。cv 是核心特征之一同样的日均消费有人每天固定花 10 块有人今天不花明天花 30这两种人的消费习惯完全不同cv 能把这层差异暴露出来。接着补两个业务特征深夜消费和食堂消费占比。# 深夜消费每天22点之后的累计消费 night df[df[trade_time].dt.hour 22].groupby(student_id)[amount].sum() person person.merge(night, left_onstudent_id, right_indexTrue, howleft) # 食堂消费占总消费的比例 canteen df[df[merchant].str.contains(食堂)].groupby(student_id)[amount].sum() total df.groupby(student_id)[amount].sum() person[canteen_ratio] (canteen / total).fillna(0) person person.fillna(0)夜猫型学生的深夜消费明显偏高这个特征在后面的异常行为预警里很关键。canteen_ratio 用来识别“靠食堂吃饭”和“大量外卖/超市”的学生数值高说明生活规律、消费场所单一。到这一步person 表就是后续分析的基本盘每一行是一个学生每一列是一个可计算的行为特征。3. 聚类与画像用KMeans把学生消费习惯分成四类3.1 特征矩阵与KMeans参数设定特征不一定越多越好选 5 个左右足够avg_daily、avg_cnt、cv、night_spend、canteen_ratio。聚类之前先做归一化因为 KMeans 基于欧氏距离avg_daily 动辄几十、canteen_ratio 只有零到一数值范围差太多距离会被大数主导。from sklearn.preprocessing import MinMaxScaler from sklearn.cluster import KMeans feat_cols [avg_daily, avg_cnt, cv, night_spend, canteen_ratio] X person[feat_cols].fillna(0) X_scaled MinMaxScaler().fit_transform(X) km KMeans(n_clusters4, random_state42, n_init10, max_iter300) person[cluster] km.fit_predict(X_scaled)参数里 n_clusters 怎么定先用肘部法和轮廓系数扫一遍再结合业务判断。n_init10 很关键它让 KMeans 用 10 组不同初始中心跑 10 次取最优结果避免掉进局部最优random_state42 固定随机种子保证别人复现你的结果时聚类标签一致max_iter300 是迭代上限数据量几万行时完全够。补一个选择 k 值的辅助脚本from sklearn.metrics import silhouette_score scores [] for k in range(2, 9): model KMeans(n_clustersk, random_state42, n_init10) labels model.fit_predict(X_scaled) scores.append((k, silhouette_score(X_scaled, labels))) print(scores)轮廓系数范围在 -1 到 1 之间越接近 1 越好。但校园消费数据有它的特殊性食堂窗口多、时间段重叠大、学生之间差异没那么分明所以轮廓系数能到 0.3 以上就是可以接受的水平不要盯着教科书里的 0.7 不放。这是选 k 时最容易卡住的地方有点玄学成分我的做法是“轮廓系数取局部最高同时保证每个簇能讲出业务故事”。3.2 簇中心画像把数字变成业务标签聚类跑完立刻看每个簇的中心值profile person.groupby(cluster)[feat_cols].mean().round(3) print(profile)如果四个簇的中心值长这样业务标签基本可以定下来簇avg_dailyavg_cntcvnight_spendcanteen_ratio业务标签06.822.10.480.50.88规律节俭型111.203.00.621.20.85食堂主力型214.302.81.058.60.61夜猫外食型321.504.20.903.40.52高消费多元型注意聚类的标签是模型给的 0/1/2/3业务标签是人根据特征分布命名的。做报告的时候一定把两者的映射关系写清楚不然决策部门看到“cluster2”会一头雾水。我一般会在代码里加一个映射字典把标签替换成可读文字再输出避免后续交接时对不上号。3.3 用t检验验证两组人的差异不是巧合聚类分了组但分出来的组真的有统计意义上的差异吗拿 avg_daily 做例子用 Welch t 检验from scipy.stats import ttest_ind group_a person[person[cluster] 0][avg_daily] group_b person[person[cluster] 1][avg_daily] t_stat, p_value ttest_ind(group_a, group_b, equal_varFalse) print(ft{t_stat:.3f}, p{p_value:.4f})equal_varFalse 对应 Welch t 检验样本量不均衡、两群方差不同的时候它比普通 t 检验更稳。p 值小于 0.05 才说明“两个簇的日均消费差异在统计上成立”否则这两个簇在消费金额维度上分不开聚类结果拿去答辩会被当场问住。这个方法同样适用于验证 cv、night_spend 等其他特征。3.4 聚类稳定性换随机种子结果还一样吗KMeans 对初始中心敏感换一个 random_state 结果可能完全不同。所以跑完还要做一次稳定性验证from sklearn.metrics import adjusted_rand_score labels_1 KMeans(n_clusters4, random_state0, n_init10).fit_predict(X_scaled) labels_2 KMeans(n_clusters4, random_state100, n_init10).fit_predict(X_scaled) print(adjusted_rand_score(labels_1, labels_2))adjusted_rand_scoreARI接近 1 说明两个随机种子下的聚类结果基本一致模型稳定低于 0.6 就要警惕可能是数据本身没有清晰的簇结构或者特征选得不好。这时候不要硬调参数回头检查特征矩阵和离群点更实际。4. 数据可视化与结果集让结论既能看又能交差4.1 结果集应该包含什么很多初学者跑完聚类导出一个人带标签的 CSV 就叫“出结果了”。严格说这只能算中间产物一个合格的结果集应该包含三部分带标签的学生数据表、可视化图表、以及一份能直接看结论的说明文档。我一般按下面的结构组织路径内容说明results/student_labels.csv每个学生的特征值和聚类标签可继续做统计分析的底表results/figures/时段分布、箱线图、簇画像等图表报告和汇报用results/分析结果.xlsx多 sheet 汇总给不写代码的同事看results/分析报告.md结论、业务建议、局限说明决策依据要可读这个结构的好处是“数据、证据、结论”三者对应领导或导师追问任何一条结论你都能在结果集里找到对应的表和图。4.2 中文绘图环境的两个必须设置matplotlib 默认字体不支持中文直接画图会出一堆方块这是 Linux 服务器和 Windows 本地都会遇到的坑。先做字体设置import matplotlib matplotlib.rcParams[font.sans-serif] [ SimHei, Microsoft YaHei, WenQuanYi Zen Hei ] matplotlib.rcParams[axes.unicode_minus] FalseSimHei黑体和微软雅黑是 Windows 常见字体文泉驿正黑是 Linux 常见字体。列表里写多个matplotlib 会按顺序挑第一个存在的。axes.unicode_minusFalse 用来解决坐标轴负号显示成方块的问题。如果服务器上这些字体都没有先查一下系统有哪些字体from matplotlib import font_manager available {f.name for f in font_manager.fontManager.ttflist} print(available)查完把 available 里实际存在的字体名填进 rcParams 就行。4.3 画一张消费时段分布图import matplotlib.pyplot as plt by_hour df[trade_time].dt.hour.value_counts().reindex( range(24), fill_value0 ) plt.figure(figsize(10, 5)) plt.bar(by_hour.index, by_hour.values, color#2a6f97) plt.title(校园一卡通消费时段分布) plt.xlabel(小时) plt.ylabel(交易笔数) plt.savefig( results/figures/hourly_distribution.png, dpi150, bbox_inchestight )value_counts() 算出每个小时出现的交易笔数reindex(range(24), fill_value0) 把缺失的小时补成 0比如凌晨 3 点没人刷卡就是 0。figsize(10, 5) 是 10 英寸宽、5 英寸高适合放进 A4 报告dpi150 兼顾屏幕查看和打印清晰度bbox_inchestight 会自动裁剪图片边缘空白避免保存出来的图四周白边很大。4.4 把聚类结果导出成多表ExcelCSV 用 Excel 打开中文容易乱码大文件还会被截断。我一般直接用 pandas 写 Excel 多 sheet一个文件装所有结果with pd.ExcelWriter(results/分析结果.xlsx, engineopenpyxl) as writer: person.to_excel(writer, sheet_name学生标签, indexFalse) profile.to_excel(writer, sheet_name簇画像) person.groupby(cluster)[student_id].count().to_excel( writer, sheet_name簇人数 )engineopenpyxl 是因为 pandas 写 xlsx 格式依赖这个库没装的话会报 ImportError。一个文件三个 sheet既能看到每个学生的标签也能看到簇整体画像和人数占比给业务方的时候不用来回发一堆文件。到这里结果集基本齐了。5. 校园消费数据清洗与聚类的排查现场五个翻车原因与修复方法5.1 退款被当负消费取绝对值消费总额虚高现象清洗完数据日均消费超过 20 元明显不合理退款笔数越多的人消费金额被抬得越离谱。原因一卡通退款记录 amount 为负值有人为了“保留全部数据”直接取绝对值把退款当正常消费计入了总额。解决读取数据时先按 trade_type 把退款和消费分成两个 DataFrame消费只保留 amount 0 的记录退款单独统计用来算净支出不参与消费特征计算。这两类业务事件必须分开否则后面的所有统计全部失真。5.2 用卡号合并导致同一个人被劈成两条记录现象聚类结果里出现两个特征几乎一样、只是 cluster 不同的学生按学号抽查发现同一个人在新旧两张卡下被当成了两个人。原因一卡通系统里卡号会随补卡、换卡变化直接按 card_id 分组一个学生的消费记录被拆到两行。解决优先按 student_id学号而不是卡号分组。如果原始表只有卡号没有学号就需要先用“卡号 生效日期”映射表把卡号关联到学号上再做聚合。判断数据里有没有这个问题很简单统计 student_id 去重数量和 card_id 去重数量如果卡号数量明显大于学号数量就要警惕。5.3 聚类前没处理离群点MinMaxScaler被个别高消费带偏现象聚类结果里 80% 的人被分到同一个簇剩下的簇全是“极端值”。看簇中心才发现归一化时被几个消费极高的点把整个特征空间拉变形了。原因MinMaxScaler 用最大值做分母一个日均消费 80 元的外卖重度用户会把 0 到 80 压到 0 到 1绝大多数日均消费 5 到 15 元的学生挤在 0.1 到 0.2 这个狭窄区间KMeans 自然分不开。解决聚类前先做离群点处理。用分位数裁剪或者直接过滤 99% 分位以上的记录例如 avg_daily 超过 99% 分位数的学生先单拎出来标记为“特殊消费群体”不参与 KMeans。或者改用 RobustScaler它用中位数和四分位距缩放对离群点不敏感。5.4 凌晨消费全算“深夜消费”其实是超市/浴室延迟入账现象深夜消费特征 night_spend 特别高的那群人画像里看不出夜猫子特征白天消费也很多逻辑对不上。原因部分商户浴室、开水房、超市不是实时上传流水数据在凌晨批量落库交易时间显示成凌晨 0 点到 2 点其实发生在白天。解决先画出全天时段分布图看是否存在“整点上报”的尖峰。如果 0 点附近有明显的异常尖峰就把深夜特征的时间阈值从 22 点调整到 23 点以后或者干脆排除商户类型为浴室/开水房的记录后重跑。判断标准就一条深夜特征算出来的人白天消费行为也要对得上。5.5 寒暑假数据混进来人均日消费被严重稀释现象聚类结果里出现一批“几乎不消费”的学生点开明细发现全是寒暑假食堂关闭期间的零星超市数据。原因数据导出的时间范围跨越了寒暑假学生在校和不在校的时间混在一起算均值每天分母被拉大消费均值被稀释。解决用学校校历生成学期日期表或者按教学周过滤只保留在校时间的数据。简单做法是先看 date 分布统计每天的活跃学生数寒暑假期间活跃人数会断崖式下跌找到下降点后直接截断数据范围。这个问题不做聚类结果里“节俭型”学生的数量会严重虚高甚至产生一个无意义的“空壳簇”。5.6 Linux服务器上画图全是方块现象代码在 Windows 上跑得好好的部署到 Linux 服务器执行所有图的中文都变成一个个方框。原因matplotlib 在 Linux 上找不到 SimHei、Microsoft YaHei 这些 Windows 字体回退到默认字体而默认字体不含中文字形。解决不要在绘图代码里硬编码字体名先把 font_manager 的字体列表打出来看服务器实际装了哪些中文字体。没有就安装中文字体包或者用上面 4.2 节的多字体回退方案。如果服务器不能装字体最后手段是图里用英文标签图外另附中文对照表虽然丑但不影响结论传达。6. 验证方法与可解释落地让分析结果经得起业务追问6.1 先过三张图的肉眼验收聚类跑完先别急着写结论。打开三张图簇中心画像条形图、消费时段分布图、按簇分组的日均消费箱线图。对着图问三个问题每个簇的特征是否符合业务直觉时段图是否和食堂开餐时间对应箱线图里不同簇的中位数是否有明显分层。如果某一条答案是否定的先回头查数据清洗再查特征构造最后才是聚类参数。数据问题比模型问题常见得多。6.2 一个可复用的统计验证套路每次聚类分组定下来后我都会对关键特征跑一遍组间差异检验。比如“食堂主力型”和“夜猫外食型”的日均消费差异、canteen_ratio 差异from scipy.stats import ttest_ind a person[person[cluster] 1][canteen_ratio] b person[person[cluster] 2][canteen_ratio] t_stat, p_value ttest_ind(a, b, equal_varFalse) print(fp{p_value:.4f})p 值小于 0.05 时差异在统计上成立p 值大于 0.05 时说明这个特征没能有效区分这两个簇要么换特征要么考虑合并簇。这一步做扎实了后面无论写报告还是答辩都有数字兜底。6.3 从分析往前走一步把标签用起来最后说点经验。这类项目做完容易停在“出了一堆图”但真正的价值在标签落地对“夜猫外食型”中消费金额异常高的学生可以触发消费预警机制对“规律节俭型”且日均消费长期处于低水平的学生可以作为奖助学金评定的辅助参考材料注意是辅助不是直接认定食堂管理部门还能用时段分布图优化窗口排班和备餐量。我吃过一次亏当年把聚类黑盒结果直接交给决策部门被反问“这个分类依据到底是什么”一句话噎住。之后我养成了一个习惯每个簇必须配三样东西再对外发结论一个业务标签、一个统计检验证据、一张可视化图表。这套源码、数据、结果集的项目从清洗到落地不复杂真正花时间的是让每个结论都说得清来源。希望帮到你。本文还有配套的精品资源点击获取