怎么用Python寫一個(gè)電信客戶流失預(yù)測(cè)模型

這篇文章主要講解了“怎么用Python寫一個(gè)電信客戶流失預(yù)測(cè)模型”，文中的講解內(nèi)容簡(jiǎn)單清晰，易于學(xué)習(xí)與理解，下面請(qǐng)大家跟著小編的思路慢慢深入，一起來(lái)研究和學(xué)習(xí)“怎么用Python寫一個(gè)電信客戶流失預(yù)測(cè)模型”吧！

01、商業(yè)理解

流失客戶是指那些曾經(jīng)使用過(guò)產(chǎn)品或服務(wù)，由于對(duì)產(chǎn)品失去興趣等種種原因，不再使用產(chǎn)品或服務(wù)的顧客。

電信服務(wù)公司、互聯(lián)網(wǎng)服務(wù)提供商、保險(xiǎn)公司等經(jīng)常使用客戶流失分析和客戶流失率作為他們的關(guān)鍵業(yè)務(wù)指標(biāo)之一，因?yàn)榱糇∫粋€(gè)老客戶的成本遠(yuǎn)遠(yuǎn)低于獲得一個(gè)新客戶。

預(yù)測(cè)分析使用客戶流失預(yù)測(cè)模型，通過(guò)評(píng)估客戶流失的風(fēng)險(xiǎn)傾向來(lái)預(yù)測(cè)客戶流失。由于這些模型生成了一個(gè)流失概率排序名單，對(duì)于潛在的高概率流失客戶，他們可以有效地實(shí)施客戶保留營(yíng)銷計(jì)劃。

下面我們就教你如何用Python寫一個(gè)電信用戶流失預(yù)測(cè)模型，以下是具體步驟和關(guān)鍵代碼。

02、數(shù)據(jù)理解

此次分析數(shù)據(jù)來(lái)自于IBM Sample Data Sets，統(tǒng)計(jì)自某電信公司一段時(shí)間內(nèi)的消費(fèi)數(shù)據(jù)。共有7043筆客戶資料，每筆客戶資料包含21個(gè)字段，其中1個(gè)客戶ID字段，19個(gè)輸入字段及1個(gè)目標(biāo)字段-Churn（Yes代表流失，No代表未流失），輸入字段主要包含以下三個(gè)維度指標(biāo)：用戶畫像指標(biāo)、消費(fèi)產(chǎn)品指標(biāo)、消費(fèi)信息指標(biāo)。字段的具體說(shuō)明如下：

03、數(shù)據(jù)讀入和概覽

首先導(dǎo)入所需包。

df = pd.read_csv('./Telco-Customer-Churn.csv') df.head()

讀入數(shù)據(jù)集

df = pd.read_csv('./Telco-Customer-Churn.csv') df.head()

04、數(shù)據(jù)初步清洗

首先進(jìn)行初步的數(shù)據(jù)清洗工作，包含錯(cuò)誤值和異常值處理，并劃分類別型和數(shù)值型字段類型，其中清洗部分包含：

• OnlineSecurity、OnlineBackup、DeviceProtection、TechSupport、StreamingTV、StreamingMovies：錯(cuò)誤值處理

• TotalCharges：異常值處理

• tenure：自定義分箱

• 定義類別型和數(shù)值型字段

# 錯(cuò)誤值處理 repl_columns = ['OnlineSecurity', 'OnlineBackup', 'DeviceProtection',                  'TechSupport','StreamingTV', 'StreamingMovies']  for i in repl_columns:     df[i]  = df[i].replace({'No internet service' : 'No'})   # 替換值SeniorCitizen df["SeniorCitizen"] = df["SeniorCitizen"].replace({1: "Yes", 0: "No"})   # 替換值TotalCharges df['TotalCharges'] = df['TotalCharges'].replace(' ', np.nan)   # TotalCharges空值：數(shù)據(jù)量小，直接刪除 df = df.dropna(subset=['TotalCharges'])  df.reset_index(drop=True, inplace=True)  # 重置索引  # 轉(zhuǎn)換數(shù)據(jù)類型 df['TotalCharges'] = df['TotalCharges'].astype('float')  # 轉(zhuǎn)換tenure def transform_tenure(x):     if x <= 12:         return 'Tenure_1'     elif x <= 24:         return 'Tenure_2'     elif x <= 36:         return 'Tenure_3'     elif x <= 48:         return 'Tenure_4'     elif x <= 60:         return 'Tenure_5'     else:         return 'Tenure_over_5'   df['tenure_group'] = df.tenure.apply(transform_tenure)  # 數(shù)值型和類別型字段 Id_col = ['customerID'] target_col = ['Churn']  cat_cols = df.nunique()[df.nunique() < 10].index.tolist()  num_cols = [i for i in df.columns if i not in cat_cols + Id_col]   print('類別型字段：\n', cat_cols) print('-' * 30)  print('數(shù)值型字段：\n', num_cols)

類別型字段：  ['gender', 'SeniorCitizen', 'Partner', 'Dependents', 'PhoneService',    'MultipleLines', 'InternetService', 'OnlineSecurity',   'OnlineBackup', 'DeviceProtection', 'TechSupport',   'StreamingTV', 'StreamingMovies', 'Contract', 'PaperlessBilling',    'PaymentMethod', 'Churn', 'tenure_group'] ------------------------------ 數(shù)值型字段：  ['tenure', 'MonthlyCharges', 'TotalCharges']

05、探索性分析

對(duì)指標(biāo)進(jìn)行歸納梳理，分用戶畫像指標(biāo)，消費(fèi)產(chǎn)品指標(biāo)，消費(fèi)信息指標(biāo)。探索影響用戶流失的關(guān)鍵因素。

1. 目標(biāo)變量Churn分布

經(jīng)過(guò)初步清洗之后的數(shù)據(jù)集大小為7032條記錄，其中流失客戶為1869條，占比26.6%，未流失客戶占比73.4%。

df['Churn'].value_counts()  No     5163 Yes    1869 Name: Churn, dtype: int64

trace0 = go.Pie(labels=df['Churn'].value_counts().index,                  values=df['Churn'].value_counts().values,                 hole=.5,                 rotation=90,                 marker=dict(colors=['rgb(154,203,228)', 'rgb(191,76,81)'],                              line=dict(color='white', width=1.3))                ) data = [trace0]  layout = go.Layout(title='目標(biāo)變量Churn分布')  fig = go.Figure(data=data, layout=layout) py.offline.plot(fig, filename='./html/整體流失情況分布.html')

2.性別

分析可見(jiàn)，男性和女性在客戶流失比例上沒(méi)有顯著差異。

plot_bar(input_col='gender', target_col='Churn', title_name='性別與是否流失的關(guān)系')

3. 老年用戶

老年用戶流失比例更高，為41.68%，比非老年用戶高近兩倍，此部分原因有待進(jìn)一步探討。

plot_bar(input_col='SeniorCitizen', target_col='Churn', title_name='老年用戶與是否流失的關(guān)系')

4. 是否有配偶

從婚姻情況來(lái)看，數(shù)據(jù)顯示，未婚人群中流失的比例比已婚人數(shù)高出13%。

plot_bar(input_col='Partner', target_col='Churn', title_name='是否有配偶與是否流失的關(guān)系')

5. 上網(wǎng)時(shí)長(zhǎng)

經(jīng)過(guò)分析，這方面可以得出兩個(gè)結(jié)論：

• 用戶的在網(wǎng)時(shí)長(zhǎng)越長(zhǎng)，表示用戶的忠誠(chéng)度越高，其流失的概率越低；

• 新用戶在1年內(nèi)的流失率顯著高于整體流失率，為47.68%。

plot_bar(input_col='tenure_group', target_col='Churn', title_name='在網(wǎng)時(shí)長(zhǎng)與是否流失的關(guān)系')

6. 付款方式

支付方式上，支付上，選擇電子支票支付方式的用戶流失最高，達(dá)到45.29%，其他三種支付方式的流失率相差不大。

pd.crosstab(df['PaymentMethod'], df['Churn'])

plot_bar(input_col='PaymentMethod', target_col='Churn', title_name='付款方式與是否流失關(guān)系')

7. 月費(fèi)用

整體來(lái)看，隨著月費(fèi)用的增加，流失用戶的比例呈現(xiàn)高高低低的變化，月消費(fèi)80-100元的用戶相對(duì)較高。

plot_histogram(input_col='MonthlyCharges', title_name='月費(fèi)用與是否流失關(guān)系')

8. 數(shù)值型屬性相關(guān)性

從相關(guān)性矩陣圖可以看出，用戶的往來(lái)期間和總費(fèi)用呈現(xiàn)高度相關(guān)，往來(lái)期間越長(zhǎng)，則總費(fèi)用越高。月消費(fèi)和總消費(fèi)呈現(xiàn)顯著相關(guān)。

plt.figure(figsize=(15, 10))   sns.heatmap(df.corr(), linewidths=0.1, cmap='tab20c_r', annot=True) plt.title('數(shù)值型屬性的相關(guān)性', fontdict={'fontsize': 'xx-large', 'fontweight':'heavy'})  plt.xticks(fontsize=12) plt.yticks(fontsize=12) plt.show()

06、特征選擇

使用統(tǒng)計(jì)檢定方式進(jìn)行特征篩選。

# 刪除tenure df = df.drop('tenure', axis=1)   from feature_selection import Feature_select  # 劃分X和y X = df.drop(['customerID', 'Churn'], axis=1)  y = df['Churn']     fs = Feature_select(num_method='anova', cate_method='kf', pos_label='Yes') x_sel = fs.fit_transform(X, y)

2020 09:30:02 INFO attr select success! After select attr: ['DeviceProtection', 'MultipleLines', 'OnlineSecurity',                      'TechSupport', 'tenure_group', 'PaperlessBilling',                     'InternetService', 'PaymentMethod', 'SeniorCitizen',                      'MonthlyCharges', 'Dependents', 'Partner', 'Contract',                      'StreamingTV', 'TotalCharges', 'StreamingMovies', 'OnlineBackup']

經(jīng)過(guò)特征篩選，gender和PhoneService字段被去掉。

07、建模前處理

在python中，為滿足建模需要，一般需要對(duì)數(shù)據(jù)做以下處理：

• 對(duì)于二分類變量，編碼為0和1;

• 對(duì)于多分類變量，進(jìn)行one_hot編碼；

• 對(duì)于數(shù)值型變量，部分模型如KNN、神經(jīng)網(wǎng)絡(luò)、Logistic需要進(jìn)行標(biāo)準(zhǔn)化處理。

# 篩選變量 select_features = x_sel.columns  # 建模數(shù)據(jù) df_model = pd.concat([df['customerID'], df[select_features], df['Churn']], axis=1)  Id_col = ['customerID'] target_col = ['Churn']  # 分類型 cat_cols = df_model.nunique()[df_model.nunique() < 10].index.tolist()  # 二分類屬性 binary_cols = df_model.nunique()[df_model.nunique() == 2].index.tolist() # 多分類屬性 multi_cols = [i for i in cat_cols if i not in binary_cols]   # 數(shù)值型 num_cols = [i for i in df_model.columns if i not in cat_cols + Id_col]   # 二分類-標(biāo)簽編碼 le = LabelEncoder()  for i in binary_cols:     df_model[i] = le.fit_transform(df_model[i])   # 多分類-啞變量轉(zhuǎn)換 df_model = pd.get_dummies(data=df_model, columns=multi_cols)  df_model.head()

08、模型建立和評(píng)估

首先使用分層抽樣的方式將數(shù)據(jù)劃分訓(xùn)練集和測(cè)試集。

# 重新劃分 X = df_model.drop(['customerID', 'Churn'], axis=1)  y = df_model['Churn']    # 分層抽樣 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0, stratify=y)  print(X_train.shape, X_test.shape, y_train.shape, y_test.shape)   #修正索引 for i in [X_train, X_test, y_train, y_test]:     i.index = range(i.shape[0])

(5625, 31) (1407, 31) (5625,) (1407,)

# 保存標(biāo)準(zhǔn)化訓(xùn)練和測(cè)試數(shù)據(jù) st = StandardScaler() num_scaled_train = pd.DataFrame(st.fit_transform(X_train[num_cols]), columns=num_cols) num_scaled_test = pd.DataFrame(st.transform(X_test[num_cols]), columns=num_cols)   X_train_sclaed = pd.concat([X_train.drop(num_cols, axis=1), num_scaled_train], axis=1) X_test_sclaed = pd.concat([X_test.drop(num_cols, axis=1), num_scaled_test], axis=1)

然后建立一系列基準(zhǔn)模型并比較效果。

假如我們關(guān)注roc指標(biāo)，從模型表現(xiàn)效果來(lái)看，Naive Bayes效果最好。我們也可以對(duì)模型進(jìn)行進(jìn)一步優(yōu)化，比如對(duì)決策樹參數(shù)進(jìn)行調(diào)優(yōu)。

parameters = {'splitter': ('best','random'),               'criterion': ("gini","entropy"),               "max_depth": [*range(3, 20)],              }  clf = DecisionTreeClassifier(random_state=25) GS = GridSearchCV(clf, parameters, scoring='f1', cv=10) GS.fit(X_train, y_train)  print(GS.best_params_)   print(GS.best_score_)

{'criterion': 'entropy', 'max_depth': 5, 'splitter': 'best'} 0.585900839405024

clf = GS.best_estimator_  test_pred = clf.predict(X_test) print('測(cè)試集：\n', classification_report(y_test, test_pred))

測(cè)試集：                precision    recall  f1-score   support             0       0.86      0.86      0.86      1033            1       0.61      0.61      0.61       374      accuracy                           0.79      1407    macro avg       0.73      0.73      0.73      1407 weighted avg       0.79      0.79      0.79      1407

將這棵樹繪制出來(lái)。

import graphviz dot_data = tree.export_graphviz(decision_tree=clf, max_depth=3,                                  out_file=None,                                   feature_names=X_train.columns,                                  class_names=['not_churn', 'churn'],                                   filled=True,                                  rounded=True                                 ) graph = graphviz.Source(dot_data)

輸出決策樹屬性重要性排序：

imp = pd.DataFrame(zip(X_train.columns, clf.feature_importances_)) imp.columns = ['feature', 'importances'] imp = imp.sort_values('importances', ascending=False) imp = imp[imp['importances'] != 0]  table  = ff.create_table(np.round(imp, 4)) py.offline.iplot(table)

后續(xù)優(yōu)化方向：

• 數(shù)據(jù)：分類技術(shù)應(yīng)用在目標(biāo)類別分布越均勻的數(shù)據(jù)集時(shí)，其所建立之分類器通常會(huì)有比較好的分類效能。針對(duì)數(shù)據(jù)在目標(biāo)字段上分布不平衡，可采用過(guò)采樣和欠采樣來(lái)處理類別不平衡問(wèn)題；

• 屬性：進(jìn)一步屬性篩選方法和屬性組合；

• 算法：參數(shù)調(diào)優(yōu)；調(diào)整預(yù)測(cè)門檻值來(lái)增加預(yù)測(cè)效能。

感謝各位的閱讀，以上就是“怎么用Python寫一個(gè)電信客戶流失預(yù)測(cè)模型”的內(nèi)容了，經(jīng)過(guò)本文的學(xué)習(xí)后，相信大家對(duì)怎么用Python寫一個(gè)電信客戶流失預(yù)測(cè)模型這一問(wèn)題有了更深刻的體會(huì)，具體使用情況還需要大家實(shí)踐驗(yàn)證。這里是億速云，小編將為大家推送更多相關(guān)知識(shí)點(diǎn)的文章，歡迎關(guān)注！