《机器学习与数据科学（基于R的统计学习方法）》——2.13　从谷歌分析中读取数据

本节书摘来异步社区《机器学习与数据科学（基于R的统计学习方法）》一书中的第2章，第2.13节，作者：【美】Daniel D. Gutierrez（古铁雷斯），更多章节内容可以访问云栖社区“异步社区”公众号查看。

2.13 从谷歌分析中读取数据

另一个非常有用的数据源是谷歌分析。很多公司使用谷歌的网站统计服务来观察网站的使用情况。谷歌分析的成熟程度是令人惊讶的，其中最大的优点是：这项服务是免费使用的。一旦植入到网站中（使用谷歌提供的一个可以添加到网站中的代码片段），就能收集大量数据，用于后续分析。虽然谷歌提供了一套令人印象深刻的工具来分析网站统计数据，你也可以直接连接数据，这样就能用这些数据执行自己定制的机器学习算法。在本节中，我们会介绍如何连接谷歌分析数据。

有两种方法连接谷歌分析数据。第一，你可以使用你用来跟踪网站的账户来登录谷歌分析。你运行的每一份报表都有一个Export按钮，可以用来下载报告中的原始数据。我们的想法是，用一段长时间范围的数据运行得到一份详细的报表，这样你就能得到一份优良的数据样本，可用于后续的机器学习分析。我们将在下面的案例中看到这样的示例。连接谷歌分析的另一种方法是使用RGoogleAnalytics包，其中包含了大量R函数，能帮助你使用谷歌分析Data Export API。我们也能在下面的例子中看见这种用法。

让我们首先用导出工具连接谷歌分析数据。在这个例子中，我用一个监控客户端网站的账号登录谷歌分析。我通过Traffic Sources - Sources - All Traffic这一路径选择一种标准报表。在查看了报表之后，我从顶端的水平菜单选择Export - Excel（XLSX），将文件保存在工作目录下面的data文件夹中。谷歌分析生成的Excel文件有多个工作表，通常有一个Summary表和一个或多个Datasheets表。取决于你想用数据做什么事情，你必须决定把哪个表读入R中。谷歌分析使用的一些列名和xlsx包不兼容，所以你需要在Excel中打开文件，手动编辑一个或者多个可能造成冲突的列名。例如，你需要把列名Pages/Visit改成更适合R的表述，例如Pages_Visit。图2-4展示了一个准备读入到R中使用的表格：

 library(xlsx)

 GA - read.xlsx2("./data/Analytics_All_Traffic.xlsx", sheetIndex=2)

 head(GA)

 Source_Medium Visits Pages_Visit Avg_Visit_Duration

1 google / organic 1349.0 5.638991845811712 151.54558932542625

2 (direct) / (none) 562.0 4.119217081850533 114.98220640569394

3 fashiondistrict.org / referral 242.0 3.9214876033057853 

140. 30578512396696

4 yahoo / organic 73.0 3.6301369863013697 66.53424657534246

5 bing / organic 71.0 5.549295774647887 104.14084507042253

6 oohlaluxe.net / referral 36.0 4.361111111111111 

 116. 80555555555556

 Percent_New_Visits Bounce_Rate

1 0.614529280948851 0.5181616011860638

2 0.597864768683274 0.5747330960854092

3 0.8099173553719008 0.45041322314049587

4 0.684931506849315 0.410958904109589

5 0.647887323943662 0.29577464788732394

6 0.8888888888888888 0.3611111111111111```

现在让我们看看使用RGoogleAnalytics包中的RGoogleAnalytics API。在R中，你需要用OAuth2例行程序来认证你的身份，创建一个查询，并把结果保存在数据框中。在开始之前，RGoogleAnalytics库依赖于另外两个库：RCurl提供了在R中的https支持；RJSON提供了解析API返回的RJSON的功能。

 div img src="https://yqfile.alicdn.com/6f72af38069089feea74ee263927c385c8332c74.png" width="" height="" 

 /div 

install.packages("RCurl")
install.packages("RJSON")
library("RGoogleAnalytics")`
使用下面这段语句能打开一个浏览器窗口，这样就可以用谷歌的OAuth2认证身份。参照页面上的指示，将Access Token复制到剪贴板中，然后将它粘贴到R控制台中。

 query - QueryBuilder()

 access_token - query$authorize()```

接下来，这段语句会使用你上面得到的access_token来创建一个新的谷歌分析API对象。

ga - RGoogleAnalytics()
ga.profiles - ga$GetProfileData(access_token)
ga.profiles # List the GA profiles`

下面这段代码是将谷歌分析作为数据源读取过程的主要部分。你建立了一个查询字符串，并使用配置文件设置其索引值。

 query$Init(start.date = "2013-07-01",

 end.date = "2013-07-01",

 dimensions = "ga:date,ga:pagePath",

 metrics = "ga:visits,ga:pageviews,ga:timeOnPage",

 sort = "ga:visits",

 #filters="",

 #segment="",

 max.results = 99,

 table.id =

 paste("ga:",ga.profiles$id[1],sep="",collapse=","),

 access_token=access_token)

 ga.data - ga$GetReportData(query)

[1] "Your query matched 88 results that are stored to dataframe ga.data"

 head(ga.data)

# date pagePath

1 20130701 /SearchResult.asp?Type=ALL String= CompanyID= 127 CategoryID=0

2 20130701 /SearchResult.asp?Type=ALL String= CompanyID= 130 CategoryID=0

3 20130701 /SearchResult.asp?Type=ALL String= CompanyID= 175 CategoryID=0

4 20130701 /SearchResult.asp?Type=ALL String= CompanyID= 181 CategoryID=0

5 20130701 /SearchResult.asp?Type=ALL String= CompanyID= 184 CategoryID=0

6 20130701 /SearchResult.asp?Type=ALL String= CompanyID= 186 CategoryID=0

 visits pageviews timeOnPage

1 0 3 11

2 0 4 20

3 0 2 13

4 0 1 1

5 0 2 11

异步社区 异步社区(www.epubit.com)是人民邮电出版社旗下IT专业图书旗舰社区，也是国内领先的IT专业图书社区，致力于优质学习内容的出版和分享，实现了纸书电子书的同步上架，于2015年8月上线运营。公众号【异步图书】，每日赠送异步新书。