免费视频淫片aa毛片_日韩高清在线亚洲专区vr_日韩大片免费观看视频播放_亚洲欧美国产精品完整版

背景

聚類分析在機器學(xué)習(xí)領(lǐng)域?qū)儆跓o監(jiān)督學(xué)習(xí)的一種，能夠根據(jù)一些特征對樣本數(shù)據(jù)進(jìn)行分類。使用聚類分析分完的類具有“類中相似，類間區(qū)別”的特點。RFM模型是非常常見的分析用戶價值的方法，其核心思想是根據(jù)用戶的最近購買時間、購買頻次、花費金額3個特征來對用戶進(jìn)行分群，針對每個群體采取不同的營銷手段。k-means是常用的聚類分析算法之一，基于歐氏距離對樣本進(jìn)行分類。k-means算法運行速度快，能夠處理的數(shù)據(jù)量大，且易于理解。但缺點也很明顯，就是算法性能有限，在高維上可能不是最佳選項。在當(dāng)前動輒上億的數(shù)據(jù)量來看，k-means算法是比較好的選擇了。還有需要提醒的一點是，一定要結(jié)合業(yè)務(wù)使用算法，任何特征都可能拿來聚類，但是聚類的結(jié)果呢，能不能很好的解釋和指導(dǎo)業(yè)務(wù)？如果不能，那么這個算法就沒有什么意義。本次使用的數(shù)據(jù)來源于數(shù)據(jù)不吹牛公眾號，這里也是小打一波廣告。
本案例將從一個簡單的k-means機器學(xué)習(xí)模型入手，在介紹聚類算法的同時也簡單介紹機器學(xué)習(xí)的常規(guī)步驟。

1、數(shù)據(jù)概覽

首先，我們導(dǎo)入數(shù)據(jù)，并查看前5行。

總覽數(shù)據(jù)：

df.info()
1
1

數(shù)據(jù)共有28833行，9列，而且數(shù)據(jù)非常干凈，沒有空值，省去了我們處理空值的過程。
根據(jù)RFM模型的要求，我們需要的是買家昵稱、購買日期、實付金額三個變量。其中購買日期和實付金額用于幫助我們訓(xùn)練模型，買家昵稱則讓我們確定每個用戶所屬的類別。

選取交易成功的用戶：

選擇我們需要的字段：

data = df[['買家昵稱', '付款日期',  '實付金額']]
data.head(5)
1
2
1
2

有個細(xì)節(jié)需要注意，訂單每一行代表著單個用戶的單次購買行為，什么意思呢？如果一個用戶在一天內(nèi)購買了4次，訂單表對應(yīng)記錄著4行，而在實際的業(yè)務(wù)場景中，一個用戶在一天內(nèi)的多次消費行為，應(yīng)該從整體上看作一次。 ----- 數(shù)據(jù)不吹牛 小Z

2、特征構(gòu)建

根據(jù)我們的RFM模型，我們需要構(gòu)建3列數(shù)據(jù)，這個原始表中是沒有直接提供的，需要我們根據(jù)原始表的數(shù)據(jù)來提取。
所以這里需要先提取付款日期數(shù)據(jù)：

根據(jù)paytime計算最后一次付款時間距當(dāng)前的天數(shù)（數(shù)據(jù)引用的背景當(dāng)前時間是2019-07-01）：

# 提取每個用戶最近（最大）的購買日期
data_r = data.groupby('買家昵稱')['paytime'].max().reset_index()
# 與當(dāng)前日期相減，取得最近一次購買距當(dāng)前的天數(shù)。
data_r['recency'] = data_r['paytime'].apply(lambda x:(pd.to_datetime('2019-07-01')-x).days)
# 兩個日期相減，得到的數(shù)據(jù)類型是timedelta類型，要進(jìn)行數(shù)值計算，需要提取出天數(shù)數(shù)字。
data_r.drop('paytime',axis = 1,inplace = True)
data_r.head()
1
2
3
4
5
6
7
1
2
3
4
5
6
7

提取購買次數(shù)數(shù)據(jù)：

提取購買金額數(shù)據(jù)，這里的金額我們使用每個用戶的金額/次：

data_m = data.groupby('買家昵稱')['實付金額'].sum().reset_index()
data_m['money'] = data_m['實付金額']/data_f['frequence']
data_m.drop('實付金額',axis = 1,inplace = True)
data_m.head()
1
2
3
4
1
2
3
4

所以現(xiàn)在我們已經(jīng)有了包含recency、frequence、money的3個DataFrame表了，下面合并三個表：

3、查看數(shù)據(jù)分布特征

數(shù)據(jù)的分布特征會影響算法結(jié)果，所以有必要先了解數(shù)據(jù)的大致分布。

import matplotlib.pyplot as plt
import seaborn as sns
plt.figure(figsize = (6,4))
sns.set(style = 'darkgrid')
sns.countplot(data_rfm['frequence'])
1
2
3
4
5
1
2
3
4
5

sns.distplot(data_rfm['money'],color = 'g')
plt.title('money的分布直方圖',fontsize = 15)
1
2
1
2

4、數(shù)據(jù)處理及模型構(gòu)造

首先，對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，這是為了消除量綱的影響。

K-Means方法有個經(jīng)常被人詬病的地方，如何選擇K值？也就是要把樣本分成多少類呢？如果貿(mào)然定一個，會太主觀，所以還是要用數(shù)據(jù)說話。一般采用三個指標(biāo)：

• Calinski-Harabaz Index。通過計算類中各點與類中心的距離平方和來度量類內(nèi)的緊密度，通過計算各類中心點與數(shù)據(jù)集中心點距離平方和來度量數(shù)據(jù)集的分離度，CH指標(biāo)由分離度與緊密度的比值得到。從而，CH越大代表著類自身越緊密，類與類之間越分散，即更優(yōu)的聚類結(jié)果。
• 輪廓系數(shù)。輪廓系數(shù)（Silhouette Coefficient），值是介于 [-1,1] ，越趨近于1代表內(nèi)聚度和分離度都相對較優(yōu)。也就是盡量選擇更大的輪廓系數(shù)。
• inertia值。kmeans自帶的評價方法，越小說明聚類效果越好。

inertia = []
ch_score = []
ss_score = []
for k in range(2,9):
    model = KMeans(n_clusters = k, init = 'k-means++',max_iter = 500)
    model.fit(data_rfm_s)
    pre = model.predict(data_rfm_s)
    ch = metrics.calinski_harabaz_score(data_rfm_s,pre) 
    ss = metrics.silhouette_score(data_rfm_s,pre)
    inertia.append(model.inertia_)
    ch_score.append(ch)
    ss_score.append(ss)
print(ch_score,ss_score,inertia)
1
2
3
4
5
6
7
8
9
10
11
12
13
1
2
3
4
5
6
7
8
9
10
11
12
13

畫圖可以更加直觀看出三個指標(biāo)的變化：

根據(jù)上圖中3個指標(biāo)綜合判斷，選擇k=4時，各指標(biāo)變化出現(xiàn)明顯的拐點，聚類效果相對較優(yōu)，所以分成四類比較好。

model = KMeans(n_clusters = 4, init = 'k-means++',max_iter = 500)
model.fit(data_rfm_s)
ppre = model.predict(data_rfm_s)
ppre = pd.DataFrame(ppre)
data = pd.concat([data_rfm,ppre],axis = 1)
data.rename({0:u'cluster'},axis = 1,inplace = True)
data.head()
1
2
3
4
5
6
7
1
2
3
4
5
6
7

可以看出，每個用戶都有了對應(yīng)的類別，并且可以查看每個類別的中心：

cluster=0時的分布狀態(tài)：

cluster=1時的分布狀態(tài)：

cluster=2時的分布狀態(tài)：

cluster=3時的分布狀態(tài)：