机器学习笔记-聚类分析之K-means算法案例及其Python实现

引言：
数据挖掘的本质是“计算机根据已有的数据做出决策”，其对社会的价值不必多言，相关的应用已经有很多，包括垃圾邮件拦截、客户价值分析等。
尽管数据挖掘实现过程的细节千差万别，但是从思路来说，主要包括两个方面：1、创建数据集；2、建模调整算法。
算法是数据挖掘最核心的部分，作为一名学习新人，在参考《数据挖掘导论》、《Python数据分析与挖掘实战》、《Python数据挖掘入门与实战》等前辈的书籍下，谨以此博客帮助自己梳理知识点，错误遗漏之处，请各位前辈多多指教~

聚类分析 之 K-means算法

【先抛出一个情景问题】：
航空公司怎么样对客户分群，区分高价值客户、无价值客户等，对不同的客户群体实施个性化的营销策略，实现利润最大化？
对于该类情景题，可使用聚类分析方法。

【聚类分析相关概念】
是在没有给定划分类别的情况下，根据数据的相似度进行分组的一种方法，分组的原则是组内距离最小化而组间距离最大化。

K-means算法是典型的基于距离的非层次聚类算法，在最小化误差函数的基础上将数据划分为预定的K类别，采用距离作为相似性的评级指标，即认为两个对象的距离越近，其相似度越大。

算法过程：
1、从N个样本数据中随机选取K个对象作为初始的聚类质心。
2、分别计算每个样本到各个聚类中心的距离，将对象分配到距离最近的聚类中。
3、所有对象分配完成之后，重新计算K个聚类的质心。
4、与前一次的K个聚类中心比较，如果发生变化，重复过程2，否则转过程5.
5、当质心不再发生变化时，停止聚类过程，并输出聚类结果。

【情景问题的模型建立】
根据航空公司目前积累的大量客户会员信息和其乘坐的航班记录，可以得到包括姓名、乘坐次数、价格等十几条属性信息。

本情景案例是想要获取客户价值，识别客户价值应用的最广泛的模型是RFM模型，三个字母分别代表recency（最近消费时间间隔）、frequency（消费频率）、消费金额（monetary）这三个指标。结合具体情景，最终选取客户关系长度L、消费时间间隔R、消费频率F、飞行里程M、折扣系数的平均值C这5个指标作为航空公司识别客户价值的指标，记为LRFMC模型。

所以本案例通过对LRFMC模型的五个指标进行K-means聚类分析来识别出最优价值的客户。

主要步骤如上图所示，主要包括：
1、对数据集进行数据探索分析与预处理，包括数据缺失与异常处理、数据属性的规约、清洗和变换。
2、利用步骤1中完成预处理的数据，基于LRFMC模型进行客户分群，对各个客户群进行特征分析，识别出有价值的客户。
3、针对不同价值的客户进行不同的营销手段，个性化服务。

Python实现代码：

【步骤一】数据清洗，删除票价为空的记录；删除票价为0、平均折扣率不为0、总飞行公里数大于0的记录