Jan 16, 2026 阿里云天池新人实战赛o2o优惠券使用预测实践总结 一、实践目的和要求完成O2O优惠券使用天池平台线上测评。二、实践设备1.操作系统：Archlinux/NixOS2.基本硬件配置要求：处理器AMD Ryzen™ 7 7840HS、内存16G；3.Python及其组件版本1：•Python 3.13及以上•Pandas 2.3.3及以上•xgboost 3.1.2及以上•chinesecalendar 1.11.0及以上•jupyter 1.1.1及以上•lightgbm 4.6.0及以上•pyarrow 22.0.0及以上pyproject.toml文件如下 [project]name = "my-o2o"version = "0.1.0"description = "code for aliyun tianchi o2o"readme = "README.md"requires-python = ">=3.13"dependencies = [ "chinesecalendar>=1.11.0", "jupyter>=1.1.1", "lightgbm>=4.6.0", "pandas>=2.3.3", "pyarrow>=22.0.0", "xgboost>=3.1.2",]三、实践内容从0.7206到0.8175整个十二月，我在数据集划分、特征工程、模型融合等多方面齐头并进，实现了测试集AUC从0.7206跃升到0.8175的进展。使用Git进行版本控制，全部代码变更记录可参考git log，云端代码仓库https://github.com/TwinklerG/my_o2o。数据集划分放弃middle段，给history段更丰富的信息，在测试集上了到了更好的效果。# 训练集train_history_field = off_train[ off_train["date_received"].isin(pd.date_range("2016/1/16", periods=75))] # [2016/1/16,2016/3/31)_ = off_train[ off_train["date"].isin(pd.date_range("2016/3/16", periods=15))] # [2016/3/16,2016/3/31)1依据pyproject.toml文件train_label_field = off_train[ off_train["date_received"].isin(pd.date_range("2016/3/31", periods=31))] # [2016/3/31,2016/5/1)# 验证集validate_history_field = off_train[ off_train["date_received"].isin(pd.date_range("2016/3/2", periods=75))] # [2016/3/2,2016/5/16)_ = off_train[ off_train["date"].isin(pd.date_range("2016/5/1", periods=15))] # [2016/5/1,2016/5/16)validate_label_field = off_train[ off_train["date_received"].isin(pd.date_range("2016/5/16", periods=31))] # [2016/5/16,2016/6/16)# 测试集test_history_field = off_train[ off_train["date_received"].isin(pd.date_range("2016/4/17", periods=75))] # [2016/4/17,2016/7/1)_ = off_train[ off_train["date"].isin(pd.date_range("2016/6/16", periods=15))] # [20160616,20160701)test_label_field = off_test.copy() # [20160701,20160801)特征工程特征工程是本项目中花费时间和精力最多的部分，也是代码量最多的部分，完整代码见main.py历史段特征用户•用户历史领券数•用户历史核销数•用户历史核销率•用户历史15天核销数•用户历史15天核销率•用户领券核销平均间隔（天）•用户领券核销最小间隔（天）•用户领券核销最大间隔（天）•用户领券的平均距离•用户领券的最大距离•用户领券的最小距离•用户领券的平均折扣率•用户领券的最高折扣率•用户领券的最低折扣率•用户核销优惠券的平均折扣率•用户核销优惠券的最高折扣率•用户核销优惠券的最低折扣率•用户历史核销优惠券的平均距离•用户历史核销优惠券的最大距离•用户历史核销优惠券的最小距离•用户核销满减券次数•用户核销非满减券次数•用户上旬领券次数•用户上旬核销次数•用户上旬核销率•用户中旬领券次数•用户中旬核销次数•用户中旬核销率•用户下旬领券次数•用户下旬核销次数•用户下旬核销率•用户领券的商家种类•用户核销的商家种类数•用户领券种类数•用户核销券种类商家•商家被领券次数•商家被领满减券次数•商家被领非满减券次数•商家被核销次数•商户被核销满减券次数•商家被核销非满减券次数•商家优惠券核销率•商家领券客户个数•商家核销客户个数•商家提供优惠券种数•商家的优惠券平均折扣率•商家的优惠券最高折扣率•商家的优惠券最低折扣率•商家的核销优惠券平均距离•商家的核销优惠券最大距离•商家的核销优惠券最小距离优惠券•优惠券被领取次数•优惠券被核销次数•优惠券被核销率•优惠券领取平均距离•优惠券领取最大距离•优惠券领取最小距离•优惠券被核销平均距离•优惠券被核销最大距离•优惠券被核销最小距离•优惠券15天核销数•优惠券15天核销率用户+商家•用户在特定商家的历史领券次数•用户在特定商家的历史核销次数•用户在指定商家历史核销率•用户在指定商家历史15天核销次数•用户在指定商家历史15天核销率•用户在特定商家领券核销平均间隔（天）•用户在特定商家领券核销最小间隔（天）•用户在特定商家领券核销最大间隔（天）商家+优惠券数据分析发现，由于优惠券对应唯一的商家，所以“商家+优惠券”特征和“优惠券”特征重复。•商家此优惠券被领取次数•商家此优惠券被核销次数•商家此优惠券被核销率•商家此优惠券被15天核销次数•商家此优惠券被15天核销率•商家此优惠券被核销平均距离•商家此优惠券被核销最小距离•商家此优惠券被核销最大距离用户+优惠券•用户领此券数•用户核销此券数•用户核销此券率•用户15天核销此券数•用户15天核销此券率•用户领券核销平均间隔（天）•用户领券核销最小间隔（天）•用户领券核销最大间隔（天）•用户领取此券平均距离•用户领取此券最大距离•用户领取此券最小距离•用户核销此券平均距离•用户核销此券最大距离•用户核销此券最小距离用户+商家+优惠券数据分析发现，由于优惠券对应唯一的商家，所以“用户+商家+优惠券”特征和“用户+优惠券”特征重复。•用户领此商家此券数•用户核销此商家此券数•用户核销此商家此券率•用户领券核销平均间隔（天）•用户领券核销最小间隔（天）•用户领券核销最大间隔（天）标记段特征时间•领券day of week(整型+sin+cos+one hot)•领券day of month(整型+sin+cos+one hot)•领券month(整型)•是否是休息日•是否是周末•是否是工作日第一天•是否是工作日最后一天•是否是休息日第一天•是否是休息日最后一天•是否是工作日•是否是上旬•是否是中旬•是否是下旬用户•用户领券数•用户领券种类•用户领取满减券数•用户领取满减券种类•用户领券平均距离•用户领券最小距离•用户领券最大距离•用户领券与平均距离差值商户•商户发放的优惠券种类数•商户优惠券被领取的数量用户+商家•用户领取特定商家优惠券数•用户是否重复领商家券•用户领取商家满减券数•用户领取特定商家券种类•用户领商家券平均距离•用户领商家券最少距离•用户领商家券最大距离用户+优惠券•用户领取特定优惠券数•用户是否重复领特定券商户+优惠券•商户特定优惠券被领取次数用户+商户+优惠券与“用户+优惠券”特征重复•用户领取特定商家特定优惠券数•用户是否重复领特定商家特定券用户+领券日期•用户是否在同一天重复领取消费券•用户当天领券数•用户这天前领券数•用户这天后领券数用户+优惠券+领券日期•用户是否在同一天重复领取特定消费券•用户当天领特定券数•用户这天前领特定券数•用户这天后领特定券数用户+商家+领券日期•用户是否在当天重复领券特定商家券•用户当天领特定商家券数•用户这天前领特定商家券数•用户这天后领特定商家券数用户+商家+优惠券+领券日期与“用户+优惠券+领券日期”特征重复。但剔除后模型表现显著下降。•用户是否在当天重复领券特定商家特定券•用户当天领特定商家特定券数•用户这天前领特定商家特定券数•用户这天后领特定商家特定券数在线特征•用户线上总操作次数•用户线上点击次数•用户线上购买次数•用户线上领券次数•用户线上点击率•用户线上购买率•用户线上领券率•用户线上fixed记录数•用户线上fixed记录率线上线下综合特征•用户线下领券次数与线上领券次数之比用户总领特定商家券数•用户线下消费占线上消费比率全数据特征•用户是否从未核销模型融合使用XGBoost和LightGBM双模型，采用Rank融合。权重设置为LightGBM: 0.8; XGBoost: 0.2。完整代码参见model.py历史更改所有更改都可由Git Commit追溯部分Commit此处不列举所有的变更记录，所有变更均记录在Git Commit中。例如可以通过VS Code的内置Git功能查看Commit中的变更VS Code内置Git功能云端仓库也可以很方便地查看CommitGitHub查看Commit四、学习心得数据决定了机器学习的上限，而模型和算法只是逼近这个上限项目初期，通过对线上/线下的数据分析，我发现数据中存在的一些规律，如消费距离和核销率的负相关关系、不同折扣（满减、非满减、限时低价（线上））对消费者决策的差异化影响。这让我在后期打标和特征提取中有了更多的方向和关注点。特征工程是本项目耗时最久、产出最高的环节。在追求AUC从0.7206向0.8175跃升的过程中，我构建了涵盖用户、商家、优惠券三个维度及其两两、三三交叉的多维特征体系。除了基础特征，我还深挖了一些综合特征，例如线上线下综合行为比率、全局是否核销。我也学会了通过数据实验进行特征筛选，剔除冗余或与优惠券强绑定的重复特征，以确保模型的泛化能力和计算效率。每个消费券ID对应唯一的商家ID，因此在标记段，“用户+商家+优惠券+领券日期”与“用户+优惠券+领券日期”特征重复。但剔除后模型表现显著下降，只能放弃。（玄学）模型融合阶段，除了Baseline中很不错的XGBoost，我还选择了LightGBM。我深深感受到集成学习的强大，通过数据预处理+特征工程产生的大量数据，在模型中得到淬炼，实现了数据挖掘。我采用采基于Rank的加权融合方案（LightGBM 0.8 + XGBoost 0.2），但在最终版本中，由于LightGBM在测试集的表现显著好于XGBoost，融合后表现变差，于是我是选择直接使用LightGBM的预测结果。最后，先进的开发环境与版本控制工具极大提升了我的研发效率。本次实践我使用了Archlinux/NixOS系统，并基于Python 3.13等最新版本的组件进行开发。通过Git进行严格的版本控制，我能够清晰地追踪AUC每一次小幅提升背后的代码变更。我个人认为，这种严谨的工程思维，与算法层面的创新同等重要。本次实践中，我还探索使用微软官方出品的VS Code插件Data Wrangler，。这款插件提供极快的CSV读取功能，能自动计算mean,max,min,distinct等并绘制相应的图表，让可视化分析触手可及，极大提升了我数据分析的效率。感谢微软团队！