聚类分析常用于用户细分、市场细分等领域。

现有一份航空公司的客户数据，具体信息如下：

image.png

一、数据导入

import pandas as pd


#首先导入数据，注意文件路径为反斜杠
data=pd.read_csv('C:/Users/86138/Desktop/Python数据分析与挖掘实战/chapter7/demo/data/air_data.csv')
#查看数据的一些基本信息
print(data.head())
print(data.info())
print(data.describe())

二、数据处理

第1、选取聚类字段

客户细分主要有R（recency，时间间隔），F(frequency，频率或次数），M（monetary，金额）三个指标，即RFM，我们依据这三个数据进行聚类。

1、时间间隔

用当前时间减去最后一次乘机时间，得到时间间隔。

#计算距今天数
from datetime import datetime
data.replace('2014/2/29  0:00:00','2014/3/1',inplace=True)
data['LAST_FLIGHT_DATE']=pd.to_datetime(data['LAST_FLIGHT_DATE'])
data['DATEDIFF']=datetime.now()-data['LAST_FLIGHT_DATE']
data['DATEDIFF']=data['DATEDIFF'].dt.days     #提取天数

因为之前运行pd.to_datetime时报错（时间列里2014/2/29 0:00:00这个时间错误，2014年并不是闰年2月并没有29天），所以把2014/2/29 0:00:00修改为2014/3/1。

运行pd.to_datetime报错可调用参数errors='ignore'或errors='coerce'，ignore为直接忽略错误，coerce将非日期的字符串记为nat(not a time)。

2、乘机次数

F为FLIGHT_COUNT，乘机次数。

3、金额总额

#计算金额总额
data['SUM_YR']=data['SUM_YR_1']+data['SUM_YR_2']

第2、缺失值处理

在进行数据标准化之前进行缺失值处理，过滤掉那三个数据中的缺失值。

#缺失值处理
print(data['DATEDIFF'].isnull().sum())
print(data['FLIGHT_COUNT'].isnull().sum())
print(data['SUM_YR'].isnull().sum())
data=data[data['SUM_YR'].notnull()]     #筛选出非空值

运行发现SUM_YR列有689个缺失值，把它舍弃。

第3、数据标准化

确定聚类字段后，发现这三种数据不是同种单位，所以需要将数据标准化。

数据的标准化(normalization)是将数据按比例缩放，使之落入一个小的特定区间。在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。其中最典型的就是数据的归一化处理，即将数据统一映射到[0,1]区间上。

z-score 标准化

Z标准化即减去均值，再除以标准差。

#数据标准化
data['R']=(data['DATEDIFF']-data['DATEDIFF'].mean())/(data['DATEDIFF'].std())
data['F']=(data['FLIGHT_COUNT']-data['FLIGHT_COUNT'].mean())/(data['FLIGHT_COUNT'].std())
data['M']=(data['SUM_YR']-data['SUM_YR'].mean())/(data['SUM_YR'].std())

三、模型构建

根据业务的需要，将客户分为5类：重要保持客户，重要发展客户，重要挽留客户，一般价值用户与低价值用户。
1、重要保持客户：RFM都很好，时间间隔小，乘坐次数多，金额大。这类客户价值大，对航空公司贡献最大，是公司的重要客户，公司要花精力维护好这类客户。
2、重要发展客户：最近乘坐过，但次数或金额较低。这类客户最近有乘机需求，公司要刺激这类客户再次消费，提高他们的消费水平。
3、重要挽留客户：有段时间没坐，但之前经常坐或消费金额高。说明这类客户消费能力不错，只是近期无消费，公司要促进这类客户的再次消费。
4、一般价值用户：各项表现一般，价值不大。
5、低价值用户：各项表现差，价值低。

#模型构建
data2=data[['R','F','M']]                 #筛选出进行聚类的字段
from sklearn.cluster import KMeans       #导入KMeans聚类模型
kmodel=KMeans(n_clusters=4,n_jobs=4)     #n_clusters为分类数，n_jobs为并行数，一般等于CPU数较好
kmodel.fit(data2)                         #带入数据训练模型
print(kmodel.cluster_centers_)     #查看聚类中心
print(kmodel.labels_)          #查看各样本对应的类别

导入sklearn库出错原因：sklearn依赖包numpy，pandas，matplotlib，scipy，但是之前安装好的numpy并没有mkl，所以我们需要下载numpy+mkl，下载链接：https://www.lfd.uci.edu/~gohlke/pythonlibs/#numpy

注意：建模的数据不能包含空值或无限值，否则会报错

image.png

运行结果如下：

image.png

第五行聚类中心频率和金额较大，但有段时间没乘坐过，是航空公司的重要挽留客户。
第二行聚类中心近段时间乘坐过，但频率或金额较低，是航空公司的重要发展客户。

四、导出数据

导出数据，更好地查看各个客户对应的类别，然后根据不同的类别制定不同的政策。

#导出数据，数据最后一列为各样本对应的类别
data['LABELS']=kmodel.labels_
data.to_csv('C:/Users/86138/Desktop/Python数据分析与挖掘实战/chapter7/fenlei.csv')
print(data['LABELS'].value_counts)     #查看每类有多少个
print(data[data['LABELS']==0])         #筛选出类别0的数据

一些政策如积分兑换，会员升级，促销活动，免费兑换，发行联名卡等。

最后

完整的代码如下：

import pandas as pd


#首先导入数据，注意文件路径为反斜杠，补全文件路径
data=pd.read_csv('C:/Users/86138/Desktop/Python数据分析与挖掘实战/chapter7/demo/data/air_data.csv')
#查看数据的一些基本信息
print(data.head())
print(data.info())
print(data.describe())

#计算距今天数
from datetime import datetime
data.replace('2014/2/29  0:00:00','2014/3/1',inplace=True)
data['LAST_FLIGHT_DATE']=pd.to_datetime(data['LAST_FLIGHT_DATE'])
data['DATEDIFF']=datetime.now()-data['LAST_FLIGHT_DATE']
data['DATEDIFF']=data['DATEDIFF'].dt.days         #提取天数

#计算金额总额
data['SUM_YR']=data['SUM_YR_1']+data['SUM_YR_2']

#缺失值处理
print(data['DATEDIFF'].isnull().sum())
print(data['FLIGHT_COUNT'].isnull().sum())
print(data['SUM_YR'].isnull().sum())
data=data[data['SUM_YR'].notnull()]     #筛选出非空值

#数据标准化
data['R']=(data['DATEDIFF']-data['DATEDIFF'].mean())/(data['DATEDIFF'].std())
data['F']=(data['FLIGHT_COUNT']-data['FLIGHT_COUNT'].mean())/(data['FLIGHT_COUNT'].std())
data['M']=(data['SUM_YR']-data['SUM_YR'].mean())/(data['SUM_YR'].std())

#模型构建
data2=data[['R','F','M']]                 #筛选出进行聚类的字段
from sklearn.cluster import KMeans       #导入KMeans聚类模型
kmodel=KMeans(n_clusters=5,n_jobs=4)     #n_clusters为分类数，n_jobs为并行数，一般等于CPU数较好
kmodel.fit(data2)                         #带入数据训练模型
print(kmodel.cluster_centers_)     #查看聚类中心
print(kmodel.labels_)          #查看各样本对应的类别

#导出数据，数据最后一列为各样本对应的类别
data['LABELS']=kmodel.labels_
data.to_csv('C:/Users/86138/Desktop/Python数据分析与挖掘实战/chapter7/fenlei.csv')
print(data['LABELS'].value_counts)     #查看每类有多少个
print(data[data['LABELS']==0])         #筛选出类别0的数据