珠海建站,自己做装修网站需要多少钱,Wordpress页面标签插件,漳州本地网站K-Means(K均值)是聚类最常用的方法之一#xff0c;基于点与点距离的相似度来计算最佳类别归属。数据来源业务部门#xff0c;这些数据是关于客户的#xff0c;苦于没有分析入手点希望数据部门通过对这些数据的分析#xff0c;给业务部门一些启示#xff0c;或者提供数据后…K-Means(K均值)是聚类最常用的方法之一基于点与点距离的相似度来计算最佳类别归属。数据来源业务部门这些数据是关于客户的苦于没有分析入手点希望数据部门通过对这些数据的分析给业务部门一些启示或者提供数据后续分析或者业务思考的建议。基于以上的场景的描述和需求由于业务部门可以自己做一些描述性的统计分析以及此次数据属于探索性数据分析没有之前的参考案例。故考虑对客户进行聚类分析分析客户的一些特点。数据源链接https://pan.baidu.com/s/1gx0q2k9HtTBM-T7xW3oD2Q 提取码1k95 数据描述USER_ID客户idAVG_ORDERS平均用户订单数量AVG_MONEY平均订单价值IS_ACTIVE是否活跃SEX性别0,12分别代表未知男女1.导入库# 导入库
import pandas as pd
import numpy as np
import matplotlib.pyplot as pltfrom sklearn.cluster import KMeans #Kmeans
from sklearn.preprocessing import MinMaxScaler#数据标准化包
# x效果评估模块
from sklearn.metrics import silhouette_score , calinski_harabaz_score#忽略警告信息
import warnings
warnings.filterwarnings(ignore)#解决中文乱码问题
plt.rcParams[font.sans-serif][SimHei] #用来正常显示中文标签
plt.rcParams[axes.unicode_minus]False #用来正常显示负号2.导入数据文件# 导入数据文件
raw_data pd.read_csv(F:pythonpython数据分析与数据运营课本数据chapter4cluster.txt)
# 数值型特征
numeric_features raw_data.iloc[:,1:3]
raw_data.head()numeric_features.head()3.数据标准化# 数据标准化
scaler MinMaxScaler()
scaled_numeric_features scaler.fit_transform(numeric_features)
print(scaled_numeric_features[:,:2])4.训练模型#设置聚类数量
n_clusters 3
# random_state 0的目的是保证每次训练时的初始值一致
model_kmeans KMeans(n_clusters n_clusters,random_state 0)
model_kmeans.fit(scaled_numeric_features)’对象持久化将模型保存至硬盘便于后期使用时直接调用
import pickle
# dump:将python对象序列化保存至本地文件
pickle.dump(model_kmeans,open(my_model_object.pk1,wb))
#load:从本地文件读取python对象并恢复实例对象
model_kmeans pickle.load(open(my_model_object.pk1,rb))5.模型效果指标评估# 输出总样本量总特征数
n_sample,n_feature raw_data.iloc[:,1:].shape
print(n_sample: %d n n_feature: %d%(n_sample,n_feature))n_sample: 1000 n_feature: 4# 非监督式评估方法
# 平均轮廓系数
silhouette_s silhouette_score (scaled_numeric_features,model_kmeans.labels_,metric euclidean)
# calinski和harabaz得分
calinski_harabaz_s calinski_harabaz_score(scaled_numeric_features,model_kmeans.labels_)
print(silhouette_s: %f n calinski_harabaz_s: %f%(silhouette_s,calinski_harabaz_s))silhouette_s: 0.634086 calinski_harabaz_s: 2860.821834silhouette_s大于0.5说明聚类质量较优。优秀与否的基本原则是不同类别间是否具有显著的区分效果。6.合并数据和特征# 整合上面的聚类标签到原始数据中
kmeans_labels pd.DataFrame(model_kmeans.labels_ , columns [labels])
#组合原始数据与标签
kmeans_data pd.concat((raw_data,kmeans_labels),axis 1)
kmeans_data.head()7.计算不同类别的样本量和占比#计数
label_count kmeans_data.groupby(labels)[SEX].count()
#占比
label_count_rate label_count/kmeans_data.shape[0]
kmeans_record_count pd.concat((label_count,label_count_rate),axis1)
kmeans_record_count.columns [record_count,record_rate]kmeans_record_count# 计算样本容量
customer_count kmeans_record_count.record_count.sum()
customer_count1000# 画图
plt.pie(kmeans_record_count.record_rate,autopct%3.1f%%,labelskmeans_record_count.index )
plt.title(不同类别的样本量和占比)样本数量共1000人1分类为‘0’332人占33.2%,2分类为‘1’337人占33.7%3分类为‘2’331人占33.1人8.计算不同聚类类别数值型特征# 查看一下数值型特征的均值情况
kmeans_numeric_features kmeans_data.groupby(labels)[[AVG_ORDERS,AVG_MONEY]].mean()
kmeans_numeric_featureskmeans_numeric_features.plot()3个分类中AVG_ORDERS和AVG_MONEY有轻微变化。9.计算不同聚类类别分类类型特征9.1 不同活跃度在不同标签中的占比kmeans_data[n]1
kmeans_active_count kmeans_data.groupby([labels,IS_ACTIVE])[n].count().unstack()
kmeans_active_count# labels 0 时活跃与不活跃用户占比
plt.pie(kmeans_active_count.iloc[0,:],autopct%3.1f%%,labelskmeans_active_count.columns)
plt.title(labels 0)# labels 1 时活跃与不活跃用户占比
plt.pie(kmeans_active_count.iloc[1,:],autopct%3.1f%%,labelskmeans_active_count.columns)
plt.title(labels 1)# labels 2 时活跃与不活跃用户占比plt.pie(kmeans_active_count.iloc[2,:],autopct%3.1f%%,labelskmeans_active_count.columns)
plt.title(labels 2)由上面的3个饼图可知用户是否活跃对标签的影响不大在各分类中活跃与不活跃用户基本各占50%。9.2不同性别在不同标签中的占比kmeans_sex_count kmeans_data.groupby([labels,SEX])[n].count().unstack()
kmeans_sex_count# labels 0 时各性别用户占比
plt.pie(kmeans_sex_count.iloc[0,:],autopct%3.1f%%,labelskmeans_sex_count.columns)
plt.title(labels 0)# labels 1 时各性别用户占比
plt.pie(kmeans_sex_count.iloc[1,:],autopct%3.1f%%,labelskmeans_sex_count.columns)
plt.title(labels 1)# labels 2 时各性别用户占比
plt.pie(kmeans_sex_count.iloc[2,:],autopct%3.1f%%,labelskmeans_sex_count.columns)
plt.title(labels 2)由上面的3个饼图可知性别对分类的影响比较大近似可以看做每个性别类型对应一个分类。总结通过kmeans聚类分析主要得出以下结论:使用 kmeans对客户信息进行聚类共3个分类silhouette_s大于0.5说明聚类质量较优样本数量共1000人分类为‘0’332人占33.2%,分类为‘1’337人占33.7%分类为‘2’331人占33.1人3个分类中AVG_ORDERS和AVG_MONEY有轻微变化用户是否活跃对标签的影响不大在各分类中活跃与不活跃用户基本各占50%用户性别对分类的影响比较大近似可以看做每个性别类型对应一个分类。
