【数据分析实战经验】航空公司客户价值分析 LRMFC 模型（K-means聚类，工具python)_lrfmc模型

简单介绍

聚类算法属于无监督学习的一种，而其中KMeans算法是比较常用的聚类算法。

主要思想是:
1、在给定K值和K个初始类簇中心点的情况下，把每个点(亦即数据记录)分到离其最近的类簇中心点所代表的类簇中。
2、 所有点分配完毕之后，根据一个类簇内的所有点重新计算该类簇的中心点(取平均值)。
3、再迭代的进行分配点和更新类簇中心点的步骤，直至类簇中心点的变化很小，或者达到指定的迭代次数。

本文数据量：62988，
共有44个客户属性，其中包含了会员卡号、入会时间、性别、年龄、会员卡级别、在观测窗口内的飞行公里数、飞行时间等

第一步：数据探索

拿到数据集，先进行整体上的观察

import pandas as pd
import numpy as np
df = pd.read_csv( 'air_data.csv', encoding = 'utf-8') #读取原始数据，指定UTF-8编码（需要用文本编辑器将数据装换为UTF-8编码）
print(df.shape)
print(df.info)
1
2
3
4
5

看看前5行

df.head()
1

简单加工一下44属性名称

进行空值，最小，最大值的计算

ex = df.describe(percentiles = [], include = 'all').T #包括对数据的基本描述，percentiles参数是指定计算多少的分位数表（如1/4分位数、中位数等）；T是转置，转置后更方便查阅
ex['null'] = len(df)- ex['count'] #describe()函数自动计算非空值数，需要手动计算空值数
ex = ex[['null', 'max', 'min']]
ex.columns = [u'空值数', u'最大值', u'最小值'] #表头重命名
ex
1
2
3
4
5

发现数据集存在票价为空，总飞行公里数大于0的脏数据

具体处理方法如下：
删去票价为0的数据 及票价为0，折扣率不为0，总飞行公里数大于0的记录

第二步：数据清洗

df= df[df['SUM_YR_1