溫馨提示×

溫馨提示×

您好，登錄后才能下訂單哦！

密碼登錄×
登錄注冊×
其他方式登錄
點(diǎn)擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》

Python用K-means聚類算法進(jìn)行客戶分群的實(shí)現(xiàn)

發(fā)布時(shí)間：2020-09-23 04:49:20 來源：腳本之家 閱讀：424 作者：這一步就是天涯海角 欄目：開發(fā)技術(shù)

一、背景

1.項(xiàng)目描述

  • 你擁有一個(gè)超市(Supermarket Mall)。通過會(huì)員卡，你用有一些關(guān)于你的客戶的基本數(shù)據(jù)，如客戶ID，年齡，性別，年收入和消費(fèi)分?jǐn)?shù)。
  • 消費(fèi)分?jǐn)?shù)是根據(jù)客戶行為和購買數(shù)據(jù)等定義的參數(shù)分配給客戶的。
  • 問題陳述：你擁有這個(gè)商場。想要了解怎么樣的顧客可以很容易地聚集在一起(目標(biāo)顧客)，以便可以給營銷團(tuán)隊(duì)以靈感并相應(yīng)地計(jì)劃策略。

2.數(shù)據(jù)描述

字段名 描述
CustomerID 客戶編號(hào)
Gender 性別
Age 年齡
Annual Income (k$) 年收入，單位為千美元
Spending Score (1-100) 消費(fèi)分?jǐn)?shù)，范圍在1~100

二、相關(guān)模塊

import numpy as np
import pandas as pd

from pandas import plotting
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.graph_objs as go
import plotly.offline as py

from sklearn.cluster import KMeans

import warnings
warnings.filterwarnings('ignore')

三、數(shù)據(jù)可視化

1.數(shù)據(jù)讀取

io = '.../Mall_Customers.csv'
df = pd.DataFrame(pd.read_csv(io))
# 修改列名
df.rename(columns={'Annual Income (k$)': 'Annual Income', 'Spending Score (1-100)': 'Spending Score'}, inplace=True)
print(df.head())
print(df.describe())
print(df.shape)
print(df.count())
print(df.dtypes)

輸出如下。

CustomerID Gender Age Annual Income Spending Score
0 1 Male 19 15 39
1 2 Male 21 15 81
2 3 Female 20 16 6
3 4 Female 23 16 77
4 5 Female 31 17 40
-----------------------------------------------------------------
CustomerID Age Annual Income Spending Score
count 200.000000 200.000000 200.000000 200.000000
mean 100.500000 38.850000 60.560000 50.200000
std 57.879185 13.969007 26.264721 25.823522
min 1.000000 18.000000 15.000000 1.000000
25% 50.750000 28.750000 41.500000 34.750000
50% 100.500000 36.000000 61.500000 50.000000
75% 150.250000 49.000000 78.000000 73.000000
max 200.000000 70.000000 137.000000 99.000000
-----------------------------------------------------------------
(200, 5)
CustomerID 200
Gender 200
Age 200
Annual Income 200
Spending Score 200
dtype: int64
-----------------------------------------------------------------
CustomerID int64
Gender object
Age int64
Annual Income int64
Spending Score int64
dtype: object

2.數(shù)據(jù)可視化

2.1 平行坐標(biāo)圖

  • 平行坐標(biāo)圖(Parallel coordinates plot)用于多元數(shù)據(jù)的可視化，將高維數(shù)據(jù)的各個(gè)屬性(變量)用一系列相互平行的坐標(biāo)軸表示， 縱向是屬性值，橫向是屬性類別。
  • 若在某個(gè)屬性上相同顏色折線較為集中，不同顏色有一定的間距，則說明該屬性對于預(yù)標(biāo)簽類別判定有較大的幫助。
  • 若某個(gè)屬性上線條混亂，顏色混雜，則可能該屬性對于標(biāo)簽類別判定沒有價(jià)值。
plotting.parallel_coordinates(df.drop('CustomerID', axis=1), 'Gender')
plt.title('平行坐標(biāo)圖', fontsize=12)
plt.grid(linestyle='-.')
plt.show()

Python用K-means聚類算法進(jìn)行客戶分群的實(shí)現(xiàn)

2.2 年齡/年收入/消費(fèi)分?jǐn)?shù)的分布

這里用了直方圖和核密度圖。（注：核密度圖看的是(x<X)的面積，而不是高度）

sns.set(palette="muted", color_codes=True)  # seaborn樣式
# 配置
plt.rcParams['axes.unicode_minus'] = False  # 解決無法顯示符號(hào)的問題
sns.set(font='SimHei', font_scale=0.8)    # 解決Seaborn中文顯示問題
# 繪圖
plt.figure(1, figsize=(13, 6))
n = 0
for x in ['Age', 'Annual Income', 'Spending Score']:
  n += 1
  plt.subplot(1, 3, n)
  plt.subplots_adjust(hspace=0.5, wspace=0.5)
  sns.distplot(df[x], bins=16, kde=True)  # kde 密度曲線
  plt.title('{}分布情況'.format(x))
  plt.tight_layout()
plt.show()

如下圖。從左到右分別是年齡、年收入和消費(fèi)能力的分布情況。發(fā)現(xiàn)：

  • 年齡方面：[30，36]范圍的客戶是最多的另外，在[20，21]也不少，但是60歲以上的老年人是最不常來消費(fèi)的。
  • 年收入方面：大部分的客戶集中在[53,83]范圍里，在15以下和105以上的很少。
  • 消費(fèi)分?jǐn)?shù)方面：消費(fèi)分?jǐn)?shù)在[40,55]的占了大多數(shù)，在[70,80]范圍的次之。

Python用K-means聚類算法進(jìn)行客戶分群的實(shí)現(xiàn)

2.3年齡/年收入/消費(fèi)分?jǐn)?shù)的柱狀圖

這里使用的是柱狀圖，和直方圖不同的是：xxx軸上的每一個(gè)刻度對應(yīng)的是一個(gè)離散點(diǎn)，而不是一個(gè)區(qū)間。

plt.figure(1, figsize=(13, 6))
k = 0
for x in ['Age', 'Annual Income', 'Spending Score']:
  k += 1
  plt.subplot(3, 1, k)
  plt.subplots_adjust(hspace=0.5, wspace=0.5)
  sns.countplot(df[x], palette='rainbow', alpha=0.8)
  plt.title('{}分布情況'.format(x))
  plt.tight_layout()
plt.show()

如下圖。從上到下分別是年齡、年收入和消費(fèi)能力的柱狀圖。發(fā)現(xiàn)：

  • 年齡方面：[27,40]范圍的客戶居多。其中，32歲的客戶是商城的常客，55,、56、64、69歲的用戶卻很少?？偟膩碚f，年齡較大的人群較少，年齡較少的人群較多。
  • 年收入方面：年收入在54和78的頻數(shù)是最多的。其他在各個(gè)收入的客戶頻數(shù)看起來相差不太大。
  • 消費(fèi)分?jǐn)?shù)方面：消費(fèi)分?jǐn)?shù)在42的客戶數(shù)是最多的，56次之。有的客戶的分?jǐn)?shù)甚至達(dá)到了99，而分?jǐn)?shù)為1的客戶也存在，沒有分?jǐn)?shù)為0的客戶。

Python用K-means聚類算法進(jìn)行客戶分群的實(shí)現(xiàn)

2.4不同性別用戶占比

df_gender_c = df['Gender'].value_counts()
p_lables = ['Female', 'Male']
p_color = ['lightcoral', 'lightskyblue']
p_explode = [0, 0.05]
# 繪圖
plt.pie(df_gender_c, labels=p_lables, colors=p_color, explode=p_explode, shadow=True, autopct='%.2f%%')
plt.axis('off')
plt.legend()
plt.show()

如下餅圖。女性以56％的份額居于領(lǐng)先地位，而男性則占整體的44％。特別是當(dāng)男性人口相對高于女性時(shí)，這是一個(gè)比較大的差距。

Python用K-means聚類算法進(jìn)行客戶分群的實(shí)現(xiàn)

2.5 兩兩特征之間的關(guān)系

# df_a_a_s = df.drop(['CustomerID'], axis=1)
sns.pairplot(df, vars=['Age', 'Annual Income', 'Spending Score'], hue='Gender', aspect=1.5, kind='reg')
plt.show()

pairplot主要展現(xiàn)的是屬性(變量)兩兩之間的關(guān)系（線性或非線性，有無較為明顯的相關(guān)關(guān)系）。注意，我對男、女性的數(shù)據(jù)點(diǎn)進(jìn)行了區(qū)分（但是感覺數(shù)據(jù)在性別上的差異不大呀？）。如下組圖所示：

  • 對角線上的圖是各個(gè)屬性的核密度分布圖。
  • 非對角線的圖是兩個(gè)不同屬性之間的相關(guān)圖?？吹贸瞿晔杖牒拖M(fèi)能力之間有較為明顯的相關(guān)關(guān)系。
  • 將 kind 參數(shù)設(shè)置為 reg 會(huì)為非對角線上的散點(diǎn)圖擬合出一條回歸直線，更直觀地顯示變量之間的關(guān)系。

Python用K-means聚類算法進(jìn)行客戶分群的實(shí)現(xiàn)

2.6 兩兩特征之間的分布

# 根據(jù)分類變量分組繪制一個(gè)縱向的增強(qiáng)箱型圖
plt.rcParams['axes.unicode_minus'] = False  # 解決無法顯示符號(hào)的問題
sns.set(font='SimHei', font_scale=0.8)    # 解決Seaborn中文顯示問題
sns.boxenplot(df['Gender'], df['Spending Score'], palette='Blues')
# x:設(shè)置分組統(tǒng)計(jì)字段，y:數(shù)據(jù)分布統(tǒng)計(jì)字段
sns.swarmplot(x=df['Gender'], y=df['Spending Score'], data=df, palette='dark', alpha=0.5, size=6)
plt.title('男女性的消費(fèi)能力比較', fontsize=12)
plt.show()
  • 如下圖使用了增強(qiáng)箱圖，可以通過繪制更多的分位數(shù)來提供數(shù)據(jù)分布的信息，適用于大數(shù)據(jù)。
  • 男性的消費(fèi)得分集中在[25，70]，而女性的消費(fèi)得分集中在[35，75]，一定程度上說明了女性在購物方面表現(xiàn)得比男性好。

Python用K-means聚類算法進(jìn)行客戶分群的實(shí)現(xiàn)

# 根據(jù)分類變量分組繪制一個(gè)縱向的增強(qiáng)箱型圖
plt.rcParams['axes.unicode_minus'] = False  # 解決無法顯示符號(hào)的問題
sns.set(font='SimHei', font_scale=0.8)    # 解決Seaborn中文顯示問題
sns.boxenplot(df['Gender'], df['Spending Score'], palette='Blues')
# x:設(shè)置分組統(tǒng)計(jì)字段，y:數(shù)據(jù)分布統(tǒng)計(jì)字段
sns.swarmplot(x=df['Gender'], y=df['Spending Score'], data=df, palette='dark', alpha=0.5, size=6)
plt.title('男女性的消費(fèi)能力比較', fontsize=12)
plt.show()

其實(shí)，下面這一部分也包含了上面的信息。

  • 年齡方面：男性分布較為均勻，20多歲的比較多；女性的年齡大部分集中在20+~30+這個(gè)范圍，整體上較為年輕？
  • 收入方面：男性略勝一籌

Python用K-means聚類算法進(jìn)行客戶分群的實(shí)現(xiàn)

四、K-means聚類分析

0.手肘法簡介

核心指標(biāo)

誤差平方和(sum of the squared errors，SSE)是所有樣本的聚類誤差反映了聚類效果的好壞，公式如下：

Python用K-means聚類算法進(jìn)行客戶分群的實(shí)現(xiàn)

核心思想

  • 隨著聚類數(shù)k 的增大，樣本劃分會(huì)更加精細(xì)，每個(gè)簇的聚合程度會(huì)逐漸提高，那么SSE會(huì)逐漸變小。
  • 當(dāng)k 小于真實(shí)聚類數(shù)時(shí)，由于k 的增大會(huì)大幅增加每個(gè)簇的聚合程度，故SSE的下降幅度會(huì)很大。
  • 當(dāng)k到達(dá)真實(shí)聚類數(shù)時(shí)，再增加k所得到的聚合程度回報(bào)會(huì)迅速變小，所以SSE的下降幅度會(huì)驟減。然后隨著k值的繼續(xù)增大而趨于平緩，也就是說SSE和k的關(guān)系圖是一個(gè)手肘的形狀，而這個(gè)肘部對應(yīng)的k值就是數(shù)據(jù)的真實(shí)聚類數(shù)。

1.基于年齡和消費(fèi)分?jǐn)?shù)的聚類

所需要的數(shù)據(jù)有‘Age'和‘Spending Score'。

df_a_sc = df[['Age', 'Spending Score']].values
# 存放每次聚類結(jié)果的誤差平方和
inertia1 = []

使用手肘法確定最合適的kkk值。

for n in range(1, 11):
  # 構(gòu)造聚類器
  km1 = (KMeans(n_clusters=n,    # 要分成的簇?cái)?shù)，int類型，默認(rèn)值為8
         init='k-means++',  # 初始化質(zhì)心，k-means++是一種生成初始質(zhì)心的算法
         n_init=10,      # 設(shè)置選擇質(zhì)心種子次數(shù)，默認(rèn)為10次。返回質(zhì)心最好的一次結(jié)果（好是指計(jì)算時(shí)長短）
         max_iter=300,    # 每次迭代的最大次數(shù)
         tol=0.0001,     # 容忍的最小誤差，當(dāng)誤差小于tol就會(huì)退出迭代
         random_state=111,  # 隨機(jī)生成器的種子 ，和初始化中心有關(guān)
         algorithm='elkan')) # 'full'是傳統(tǒng)的K-Means算法，'elkan'是采用elkan K-Means算法
  # 用訓(xùn)練數(shù)據(jù)擬合聚類器模型
  km1.fit(df_a_sc)
  # 獲取聚類標(biāo)簽
  inertia1.append(km1.inertia_)

繪圖確定kkk值，這里將kkk確定為4。

plt.figure(1, figsize=(15, 6))
plt.plot(np.arange(1, 11), inertia1, 'o')
plt.plot(np.arange(1, 11), inertia1, '-', alpha=0.7)
plt.title('手肘法圖', fontsize=12)
plt.xlabel('聚類數(shù)'), plt.ylabel('SSE')
plt.grid(linestyle='-.')
plt.show()

通過如下圖，確定kkk=4。

Python用K-means聚類算法進(jìn)行客戶分群的實(shí)現(xiàn)

確定kkk=4后。重新構(gòu)建kkk=4的K-means模型，并且繪制聚類圖。

km1_result = (KMeans(n_clusters=4, init='k-means++', n_init=10, max_iter=300,
           tol=0.0001, random_state=111, algorithm='elkan'))
# 先fit()再predict()，一次性得到聚類預(yù)測之后的標(biāo)簽
y1_means = km1_result.fit_predict(df_a_sc)
# 繪制結(jié)果圖
plt.scatter(df_a_sc[y1_means == 0][:, 0], df_a_sc[y1_means == 0][:, 1], s=70, c='blue', label='1', alpha=0.6)
plt.scatter(df_a_sc[y1_means == 1][:, 0], df_a_sc[y1_means == 1][:, 1], s=70, c='orange', label='2', alpha=0.6)
plt.scatter(df_a_sc[y1_means == 2][:, 0], df_a_sc[y1_means == 2][:, 1], s=70, c='pink', label='3', alpha=0.6)
plt.scatter(df_a_sc[y1_means == 3][:, 0], df_a_sc[y1_means == 3][:, 1], s=70, c='purple', label='4', alpha=0.6)
plt.scatter(km1_result.cluster_centers_[:, 0], km1_result.cluster_centers_[:, 1], s=260, c='gold', label='質(zhì)心')
plt.title('聚類圖(K=4)', fontsize=12)
plt.xlabel('年收入(k$)')
plt.ylabel('消費(fèi)分?jǐn)?shù)(1-100)')
plt.legend()
plt.grid(linestyle='-.')
plt.show()

效果如下，基于年齡和消費(fèi)能力這兩個(gè)參數(shù)，可以將用戶劃分成4類。

Python用K-means聚類算法進(jìn)行客戶分群的實(shí)現(xiàn)

2.基于年收入和消費(fèi)分?jǐn)?shù)的聚類

所需要的數(shù)據(jù)

df_ai_sc = df[['Annual Income', 'Spending Score']].values
# 存放每次聚類結(jié)果的誤差平方和
inertia2 = []

同理，使用手肘法確定合適的kkk值。

for n in range(1, 11):
  # 構(gòu)造聚類器
  km2 = (KMeans(n_clusters=n, init='k-means++', n_init=10, max_iter=300, tol=0.0001, random_state=111, algorithm='elkan'))
  # 用訓(xùn)練數(shù)據(jù)擬合聚類器模型
  km2.fit(df_ai_sc)
  # 獲取聚類標(biāo)簽
  inertia2.append(km2.inertia_)
# 繪制手肘圖確定K值
plt.figure(1, figsize=(15, 6))
plt.plot(np.arange(1, 11), inertia1, 'o')
plt.plot(np.arange(1, 11), inertia1, '-', alpha=0.7)
plt.title('手肘法圖', fontsize=12)
plt.xlabel('聚類數(shù)'), plt.ylabel('SSE')
plt.grid(linestyle='-.')
plt.show()

通過如下圖，確定kkk=5。

Python用K-means聚類算法進(jìn)行客戶分群的實(shí)現(xiàn)

確定kkk=5后。重新構(gòu)建kkk=5的K-means模型，并且繪制聚類圖

km2_result = (KMeans(n_clusters=5, init='k-means++', n_init=10, max_iter=300,
           tol=0.0001, random_state=111, algorithm='elkan'))
# 先fit()再predict()，一次性得到聚類預(yù)測之后的標(biāo)簽
y2_means = km2_result.fit_predict(df_ai_sc)
# 繪制結(jié)果圖
plt.scatter(df_ai_sc[y2_means == 0][:, 0], df_ai_sc[y2_means == 0][:, 1], s=70, c='blue', label='1', alpha=0.6)
plt.scatter(df_ai_sc[y2_means == 1][:, 0], df_ai_sc[y2_means == 1][:, 1], s=70, c='orange', label='2', alpha=0.6)
plt.scatter(df_ai_sc[y2_means == 2][:, 0], df_ai_sc[y2_means == 2][:, 1], s=70, c='pink', label='3', alpha=0.6)
plt.scatter(df_ai_sc[y2_means == 3][:, 0], df_ai_sc[y2_means == 3][:, 1], s=70, c='purple', label='4', alpha=0.6)
plt.scatter(df_ai_sc[y2_means == 4][:, 0], df_ai_sc[y2_means == 4][:, 1], s=70, c='green', label='5', alpha=0.6)
plt.scatter(km2_result.cluster_centers_[:, 0], km2_result.cluster_centers_[:, 1], s=260, c='gold', label='質(zhì)心')
plt.title('聚類圖(K=5)', fontsize=12)
plt.xlabel('年收入(k$)')
plt.ylabel('消費(fèi)分?jǐn)?shù)(1-100)')
plt.legend()
plt.grid(linestyle='-.')
plt.show()

效果如下，基于年收入和消費(fèi)能力這兩個(gè)參數(shù)，可以將用戶劃分成如下5類：

  • 群體1 ⇒\Rightarrow⇒目標(biāo)用戶：這類客戶年收入高，而且高消費(fèi)。
  • 群體2 ⇒\Rightarrow⇒普通用戶：年收入與消費(fèi)得分中等水平。
  • 群體3 ⇒\Rightarrow⇒高消費(fèi)用戶：年收入水平較低，但是卻有較強(qiáng)烈的消費(fèi)意愿，舍得花錢。
  • 群體4 ⇒\Rightarrow⇒節(jié)儉用戶：年收入高但是消費(fèi)意愿不強(qiáng)烈。群體5 ⇒\Rightarrow⇒謹(jǐn)慎用戶：年收入和消費(fèi)意愿都較低。

Python用K-means聚類算法進(jìn)行客戶分群的實(shí)現(xiàn)

3.基于年齡、收入和消費(fèi)分?jǐn)?shù)的聚類所需要的數(shù)據(jù)

df_a_ai_sc = df[['Age', 'Annual Income', 'Spending Score']].values

聚類，kkk=5。

km3 = KMeans(n_clusters=5, init='k-means++', max_iter=300, n_init=10, random_state=0)
km3.fit(df_a_ai_sc)

繪圖。

df['labels'] = km3.labels_
# 繪制3D圖
trace1 = go.Scatter3d(
  x=df['Age'],
  y=df['Spending Score'],
  z=df['Annual Income'],
  mode='markers',
   marker=dict(
    color=df['labels'],
    size=10,
    line=dict(
      color=df['labels'],
      width=12
    ),
    opacity=0.8
   )
)
df_3dfid = [trace1]

layout = go.Layout(
  margin=dict(
    l=0,
    r=0,
    b=0,
    t=0
  ),
  scene=dict(
      xaxis=dict(title='年齡'),
      yaxis=dict(title='消費(fèi)分?jǐn)?shù)(1-100)'),
      zaxis=dict(title='年收入(k$)')
    )
)

fig = go.Figure(data=df_3dfid, layout=layout)
py.offline.plot(fig)

效果如下。

Python用K-means聚類算法進(jìn)行客戶分群的實(shí)現(xiàn)

五、小結(jié)

  • 主要是為了記錄下K-means學(xué)習(xí)過程，而且之前也參與了一個(gè)項(xiàng)目用到了K-means算法。
  • 如何進(jìn)行特征旋是一個(gè)需要考慮的問題，我這里嘗試了三種不同的方案。然后，確定k 值是另一個(gè)重要的問題。我這個(gè)用了“手肘法”，但是可以配合“輪廓系數(shù)”綜合判斷。
  • 還有許多地方不夠詳細(xì)。另外，如果有考慮不嚴(yán)謹(jǐn)?shù)牡胤?，歡迎批評指正！

到此這篇關(guān)于Python用K-means聚類算法進(jìn)行客戶分群的實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)Python K-means客戶分群內(nèi)容請搜索億速云以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持億速云！

向AI問一下細(xì)節(jié)

免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點(diǎn)不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進(jìn)行舉報(bào)，并提供相關(guān)證據(jù)，一經(jīng)查實(shí)，將立刻刪除涉嫌侵權(quán)內(nèi)容。

AI
助
手