KMeans算法在RFM模型（用户分层模型）上的应用

阅读：评论：0

KMeans在RFM模型上的应用

RFM模型到底是个啥，建议先参考百度百科以及知乎的解释。
KMeans算法又是个啥，一言以蔽之：无监督学习的聚类算法（也就是俗话讲的物以类聚，人以群分）。
废话不多说，开始上手

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans

data = pd.read_excel('./consumption_data.xls', index_col='Id')
data.head()

解释下这个数据集：字段R表示最近一次消费（Recency），字段F表示消费频率（Frequency），字段M表示消费金额（Monetary）
- 字段R：最近一次消费指上一次购买的时间——用户上一次是什么时候下的单、用户上一次是什么时候订购的服务，或在线下门店中用户上一次进店购买是什么时候。
- 字段F：消费频率指的是顾客在限定的期间内所购买的次数。一般而言，最常购买的用户，也是满意度/忠诚度最高的顾客，同时也是对品牌认可度最高的用户。
- 字段M：消费金额是电商相关业务数据库的支柱，也可以用来验证“帕雷托法则”——公司80%的收入来自20%的顾客。M值带有时间范围，指的是一段时间（通常是1年）内的消费金额。对于一般电商店铺而言，M值对客户细分的作用相对较弱（因为客单价波动幅度不大）。

	R	F	M
Id
1	27	6	232.61
2	3	5	1507.11
3	4	16	817.62
4	3	11	232.81
5	14	7	1913.05

data.shape

(940, 3)

data.index

Int64Index([  1,   2,   3,   4,   5,   6,   7,   8,   9,  10,...933, 934, 935, 936, 937, 938, 939, 940, 941, 942],dtype='int64', name='Id', length=940)

数据标准化

data_std = 1.0 * (data - an()) / data.std()
data_std.head()

	R	F	M
Id
1	0.764186	-0.493579	-1.158711
2	-1.024757	-0.630079	0.622527
3	-0.950217	0.871423	-0.341103
4	-1.024757	0.188922	-1.158432
5	-0.204824	-0.357079	1.189868

k =8  # k-1个簇
iteration = 500  # 聚类最大循环次数
inertia = []  # 簇内误差平方和
for i in range(1, k):model = KMeans(n_clusters=i, n_jobs=4, max_iter=iteration, random_state=1234)model.fit(data_std)inertia.append(model.inertia_)

font = {'family':'SimHei', 'size':'20'}
('font', **font)
plt.figure(figsize=(20,6))
plt.plot(range(1, k), inertia)
plt.title('查看最佳k值', fontsize=20)
plt.xlabel('簇的数量')
plt.ylabel('簇内误差平方和')
plt.show()

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RP58bDaK-1645165442623)(output_8_0.png)]

label = pd.Series(model.labels_)
labels = label.value_counts()
labels   #  每个类簇的样本数

1    218
2    189
5    182
6    173
0    144
4     28
3      6
dtype: int64

centers = pd.DataFrame(model.cluster_centers_)
centers    # 簇类中心

	0	1	2
0	0.488287	1.153902	0.260323
1	-0.206534	-0.546175	0.766205
2	0.496397	-0.645968	-0.674198
3	0.863572	0.712173	7.363321
4	4.025280	-0.137703	0.273264
5	-0.643460	-0.727579	-0.853512
6	-0.692992	1.196498	0.152670

# 拼接类簇的数目和簇类中心
output = pd.concat([labels, centers], axis=1)
output

	0	0	1	2
0	144	0.488287	1.153902	0.260323
1	218	-0.206534	-0.546175	0.766205
2	189	0.496397	-0.645968	-0.674198
3	6	0.863572	0.712173	7.363321
4	28	4.025280	-0.137703	0.273264
5	182	-0.643460	-0.727579	-0.853512
6	173	-0.692992	1.196498	0.152670

KMeans追求的效果是：同一聚类内部距离最小化，不同聚类组间距离最大化

其实，聚类处理到这一步，已经可以有一些结论出来了。上面我们聚了7个类别，实际有的类别所包含的样本量比较少，例如类别3和类别4，所以可以重新把上面的步骤跑一遍，然后把k值设置更小一些。

lumns = ['样本数', 'R', 'F', 'M']
lumns

Index(['样本数', 'R', 'F', 'M'], dtype='object')

output

	样本数	R	F	M
0	144	0.488287	1.153902	0.260323
1	218	-0.206534	-0.546175	0.766205
2	189	0.496397	-0.645968	-0.674198
3	6	0.863572	0.712173	7.363321
4	28	4.025280	-0.137703	0.273264
5	182	-0.643460	-0.727579	-0.853512
6	173	-0.692992	1.196498	0.152670

output.iloc[3]['F']

0.71217272223757799

详细标记原始数据每个样本的类别

model.labels_

array([2, 1, 6, 5, 1, 2, 5, 2, 2, 6, 5, 2, 1, 0, 1, 6, 4, 2, 5, 2, 5, 1, 6,2, 2, 0, 1, 1, 2, 3, 6, 2, 5, 1, 6, 6, 5, 1, 1, 2, 5, 6, 5, 5, 6, 1,2, 2, 6, 6, 1, 1, 1, 6, 2, 2, 1, 4, 1, 2, 5, 0, 6, 1, 1, 2, 1, 1, 2,1, 0, 0, 5, 2, 1, 5, 4, 6, 6, 1, 2, 2, 5, 2, 5, 6, 0, 2, 5, 0, 4, 5,6, 6, 2, 1, 6, 2, 6, 6, 5, 2, 4, 0, 0, 5, 5, 0, 0, 5, 2, 6, 1, 5, 2,2, 5, 2, 4, 0, 2, 1, 5, 2, 2, 2, 5, 2, 2, 0, 1, 2, 5, 5, 2, 2, 5, 2,4, 2, 1, 1, 5, 0, 2, 5, 5, 2, 0, 1, 6, 1, 6, 5, 2, 2, 1, 5, 1, 1, 1,0, 2, 2, 5, 5, 5, 5, 0, 5, 0, 6, 6, 1, 2, 1, 2, 2, 6, 5, 0, 5, 1, 2,2, 6, 2, 6, 6, 1, 2, 0, 4, 2, 1, 1, 1, 1, 5, 5, 5, 5, 2, 5, 5, 1, 2,2, 1, 1, 5, 5, 0, 6, 2, 5, 5, 2, 0, 2, 1, 6, 1, 5, 2, 3, 5, 1, 5, 6,2, 2, 1, 1, 1, 2, 2, 1, 5, 5, 5, 1, 1, 0, 5, 1, 5, 2, 5, 6, 6, 0, 1,5, 4, 2, 2, 2, 1, 0, 5, 6, 1, 1, 6, 2, 6, 2, 4, 1, 2, 2, 1, 6, 0, 6,1, 6, 5, 1, 1, 4, 2, 1, 2, 1, 0, 0, 1, 5, 6, 2, 5, 5, 1, 1, 5, 4, 5,4, 0, 6, 5, 0, 1, 1, 5, 1, 6, 2, 5, 6, 2, 1, 5, 1, 6, 4, 1, 0, 2, 5,1, 6, 6, 1, 2, 5, 1, 6, 5, 0, 4, 1, 0, 0, 2, 6, 3, 6, 5, 2, 1, 2, 0,5, 5, 1, 5, 0, 2, 5, 2, 6, 5, 0, 2, 6, 0, 5, 1, 6, 0, 2, 6, 2, 2, 0,1, 2, 2, 0, 6, 6, 1, 2, 6, 5, 2, 6, 2, 6, 5, 1, 5, 1, 1, 6, 5, 5, 6,5, 6, 0, 2, 0, 5, 1, 6, 2, 1, 6, 6, 2, 6, 0, 0, 0, 1, 6, 2, 6, 6, 1,6, 6, 6, 5, 4, 1, 5, 6, 5, 0, 0, 2, 1, 6, 0, 0, 1, 5, 1, 6, 0, 1, 0,1, 0, 2, 6, 6, 5, 6, 5, 0, 5, 2, 6, 5, 1, 2, 1, 6, 5, 1, 5, 6, 6, 5,6, 5, 0, 5, 0, 0, 6, 1, 0, 6, 0, 0, 5, 2, 0, 1, 0, 2, 1, 6, 1, 1, 6,3, 5, 2, 1, 1, 5, 5, 2, 6, 6, 1, 6, 5, 1, 0, 1, 0, 6, 1, 1, 1, 5, 1,1, 0, 5, 6, 0, 1, 0, 0, 1, 0, 5, 0, 5, 2, 1, 2, 6, 0, 3, 1, 2, 1, 2,5, 0, 2, 6, 0, 5, 1, 2, 0, 0, 6, 6, 1, 0, 5, 0, 1, 1, 6, 5, 1, 2, 5,0, 1, 1, 0, 2, 6, 1, 1, 0, 1, 5, 1, 1, 5, 5, 0, 0, 1, 1, 6, 6, 1, 0,2, 0, 6, 1, 6, 2, 1, 2, 5, 5, 6, 2, 2, 6, 0, 5, 2, 2, 6, 0, 5, 0, 6,5, 0, 0, 5, 5, 2, 1, 6, 0, 2, 0, 1, 5, 4, 2, 2, 5, 5, 2, 5, 1, 0, 1,2, 0, 6, 5, 4, 1, 1, 2, 0, 6, 6, 1, 5, 0, 6, 0, 1, 1, 5, 4, 1, 6, 0,2, 2, 1, 5, 1, 0, 2, 6, 2, 4, 0, 6, 5, 5, 0, 2, 1, 1, 5, 1, 6, 0, 1,6, 1, 4, 6, 6, 6, 1, 1, 1, 1, 0, 1, 5, 1, 5, 0, 2, 6, 5, 5, 2, 5, 1,0, 1, 1, 0, 1, 6, 1, 1, 1, 1, 4, 6, 1, 2, 1, 1, 2, 6, 2, 2, 6, 1, 2,5, 6, 6, 5, 5, 1, 1, 4, 0, 6, 5, 5, 5, 5, 1, 0, 1, 6, 5, 1, 0, 0, 5,2, 4, 2, 2, 2, 1, 6, 2, 5, 5, 5, 2, 1, 2, 5, 5, 0, 0, 6, 6, 2, 6, 1,0, 0, 6, 0, 2, 0, 0, 2, 6, 6, 0, 0, 1, 2, 6, 6, 5, 5, 6, 5, 6, 6, 2,1, 1, 5, 5, 1, 1, 2, 6, 2, 4, 2, 4, 6, 5, 0, 2, 6, 0, 6, 6, 5, 6, 1,0, 0, 5, 6, 1, 5, 5, 5, 5, 2, 2, 1, 6, 0, 6, 5, 6, 0, 2, 1, 0, 2, 1,2, 0, 1, 6, 2, 2, 0, 2, 5, 0, 1, 0, 0, 6, 5, 1, 1, 5, 2, 6, 1, 5, 2,5, 2, 2, 2, 1, 1, 0, 1, 1, 0, 6, 5, 5, 6, 5, 1, 0, 6, 2, 1, 0, 0, 2,0, 0, 6, 6, 1, 2, 1, 4, 0, 1, 6, 5, 1, 6, 2, 2, 0, 6, 6, 2, 1, 6, 1,6, 2, 4, 2, 2, 1, 2, 2, 0, 1, 6, 5, 2, 6, 6, 5, 1, 6, 1, 2, 5, 5, 2,6, 1, 2, 2, 0, 1, 6, 0, 0, 0, 1, 6, 3, 6, 1, 1, 5, 1, 2, 2])

data.index

Int64Index([  1,   2,   3,   4,   5,   6,   7,   8,   9,  10,...933, 934, 935, 936, 937, 938, 939, 940, 941, 942],dtype='int64', name='Id', length=940)

summary = pd.concat([data, pd.Series(model.labels_, index=data.index)], axis=1)
summary.head()

	R	F	M	0
Id
1	27	6	232.61	2
2	3	5	1507.11	1
3	4	16	817.62	6
4	3	11	232.81	5
5	14	7	1913.05	1

lumns = ['R', 'F', 'M', 'label']
summary.head()

	R	F	M	label
Id
1	27	6	232.61	2
2	3	5	1507.11	1
3	4	16	817.62	6
4	3	11	232.81	5
5	14	7	1913.05	1

summary.info()

<class &#frame.DataFrame'>
Int64Index: 940 entries, 1 to 942
Data columns (total 4 columns):
R        940 non-null int64
F        940 non-null int64
M        940 non-null float64
label    940 non-null int32
dtypes: float64(1), int32(1), int64(2)
memory usage: 33.0 KB

# 类别0
dd = summary[summary['label'] == 0]
dd.info()

<class &#frame.DataFrame'>
Int64Index: 144 entries, 13 to 929
Data columns (total 5 columns):
Id       144 non-null int64
R        144 non-null int64
F        144 non-null int64
M        144 non-null float64
label    144 non-null int64
dtypes: float64(1), int64(4)
memory usage: 6.8 KB

# 用户群0（label=0）
plt.figure(figsize=(12,9))
plt.subplot(311)
dd['R'].plot(kind='kde')
plt.legend()
plt.subplot(312)
dd['F'].plot(kind='kde')
plt.legend()
plt.subplot(313)
dd['M'].plot(kind='kde')
plt.legend()
plt.show()

分群0的特点

R 间隔多分布在0到15天左右
F 消费频率集中在10到25次
M 消费金额集中在500到2000左右

# 用户群1（label=1）
dd1 = summary[summary['label'] == 1]plt.figure(figsize=(12,9))
plt.subplot(311)
dd1['R'].plot(kind='kde')
plt.legend()
plt.subplot(312)
dd1['F'].plot(kind='kde')
plt.legend()
plt.subplot(313)
dd1['M'].plot(kind='kde')
plt.legend()
plt.show()