0
点赞
收藏
分享

微信扫一扫

数据处理,

转角一扇门 2022-04-21 阅读 56
python

数据探索+ 数据预处理

数据探索:
1.统计量分析 :
1.集中趋势的度量:
1.均值、中位数、众数
2.离散趋势的度量:
极值()
极差
标准差、方差
四分位数间距
2.相关性分析:
通过散点图 获取 相关系数

数据预处理:
补充:
数据透视表 也可以对数据 进行分析 【聚合统计 】
group by +agg
案例:
客户价值分析(用户画像 =》 类似 )

1.基本理论:
1.RFM模型
2.聚类分析 (机器学习里面的算法 =》 结果 标签)
3.RFM聚类分析

1.RFM模型 =》 获取 RFM
根据用户属性 进行打标签【进行分类 】 =》
超级用户
普通用户
黑户

2.RFM: 【用户的属性】
    R: 最近一次消费 距现在的时长 【时差】 recency
    F:消费频率 frequency
    M:消费金额 mon

eg:
    客户a :
        R:180  F:1次/月 M:100块/月
    客户b :
        R:3   F:10次/月 M:1000块/月
    .RFM模型=> 
        b 超级用户 
        a 流式用户
    标准: 
        1.RFM 高 =》 【超级用户 、 重要价值用户】
            【R 表示最近消费时间很近 R值很小】
        2.R低 FM高= 》【保持客户】
        3.RM高 F低 =》 【发展客户】
        4.RF低 M高 =》 【挽留客户】

2.RFM: 【用户的属性】
    R: 最近一次消费 距现在的时长 【时差】 recency
    F:消费频率 frequency
    M:消费金额 mon

eg:
    客户a :
        R:180  F:1次/月 M:100块/月
    客户b :
        R:3   F:10次/月 M:1000块/月
    .RFM模型=> 
        b 超级用户 
        a 流式用户
    标准: 
        1.RFM 高 =》 【超级用户 、 重要价值用户】
            【R 表示最近消费时间很近 R值很小】
        2.R低 FM高= 》【保持客户】
        3.RM高 F低 =》 【发展客户】
        4.RF低 M高 =》 【挽留客户】

2.聚类分析【RFM 结果数据】
一个可以分类的工具
2.聚类分析方法:
1.层次聚类法
2.K-均值法(Kmeans)

3.RFM聚类分析
1.RFM 核心指标 进行 聚类分析
2.Kmeans =》 用户 进行分类 =》 4个类别
3.4个类别 基于 RFM 对用户进行标注【对用户进行打标签】

RFM聚类分析 好处?
1.提供决策支持
 

举报

相关推荐

0 条评论