数据挖掘：航空公司的客户价值分析

不要em0啦

已于 2024-03-01 01:24:37 修改

阅读量2k

点赞数 34

分类专栏：数据分析实践文章标签：机器学习人工智能

于 2024-03-01 01:23:23 首次发布

本文链接：https://blog.csdn.net/2201_75642955/article/details/136384571

版权

数据分析实践专栏收录该内容

28 篇文章 0 订阅

订阅专栏

本文介绍了如何通过聚类分析方法，包括数据标准化、K-Means和AgglomerativeClustering等技术，对航空公司数据进行客户分类，以便进行特征分析、个性化服务和营销策略制定。作者详细展示了实验流程，从数据准备到结果分析，包括最佳聚类数的选择和客户类型的划分。

摘要由CSDN通过智能技术生成

需求分析

理解并掌握聚类分析方法，掌握数据的标准化，掌握寻找最佳聚类数，掌握聚类的绘图，掌握聚类分析的应用场景。

系统实现

实验流程分析

借助航空公司数据，对客户进行分类
对不同类别的客户进行特征分析，比较不同类别客户的价值
对不同价值的客户类别进行个性化服务，制定相应的营销策略

数据准备

加载本次实验所需要用到的包

打开spyder，输入以下代码

import pandas as pd
import numpy as np
from sklearn.metrics import silhouette_score
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans,AgglomerativeClustering
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt
import datetime
plt.rcParams['font.sans-serif']=['SimHei']  #中文正常显示
plt.rcParams['axes.unicode_minus']=False   #让负号正常显示

读取数据，查看数据和整理数据信息

https:staticfile.eduplus.netldataSetsystemLiblc3b5c0f37fe24797808613bc713d5585.rar。压缩包中的数据为csv数据，解压并将该数据移动到c：/数据分析/data目录中

读取并查看数据

取出SUM_YR_1和SUM_YR_2不为空的样本

去除掉第一年、第二年票价均为0，同时平均折扣系数大于零和飞行里程大于零的数据

取出LRFMC模型数据，并整理

取出LRFMC模型数据

计算入会天数

L = pd.to_datetime(new_data['LOAD_TIME'])-pd.to_datetime(new_data['FFP_DATE'])
L = np.int64(L.astype(str).str.split().str[0])  # 会员入会天数          
L=pd.DataFrame(L,columns=['Days'])
air_features = pd.concat([L, new_data.iloc[:, 2:]], axis=1)   # 横向拼接
print(air_features.head())

更改列名，描述性统计

重置索引

数据标准化

寻找最佳聚类个数

绘制拐点图，寻找下降最剧烈的点

sse=[]
for i in range(2,10):
    result=KMeans(i,random_state=100).fit(data_scale)
    sse.append(result.inertia_)
plt.figure()
plt.plot(range(2,10),sse,marker='o')
plt.xlabel('k')
plt.ylabel('sse')
plt.show()

k=3/4时最激烈

绘制轮廓系数图，寻找轮廓系数高的点

sil=[]
for i in range(2,8):
    result=KMeans(i,random_state=100).fit(data_scale)
    sil.append(silhouette_score(air_features,result.labels_))
plt.figure()
plt.plot(range(2,8),sil,marker='o')
plt.xlabel('k')
plt.ylabel('sil')
plt.show()

k=2/3轮廓系数最高，综合k=3

建立聚类模型

绘制聚类图，观察聚类情况

kmeans聚类

绘制聚类图

结果分析

合并数据，并加入分类

聚合各类，对各特征计算平均值

加入客户分类并画图

def customer_type(cluser):
    if cluser==0:
        return '重要发展客户'
    elif cluser==1:
        return '最重要客户'
    else:
        return '一般客户'

air_features['客户类型']=air_features['cluster'].apply(customer_type)
print(air_features.head())

绘制图像

customer_count=air_features['客户类型'].value_counts()
plt.figure()
plt.subplot(1,2,1)
plt.bar(customer_count.index,customer_count.values)
#添加文本
for a,b in zip(customer_count.index,customer_count.values):
    plt.text(a,b,b,ha='center',va='bottom',color='b')
plt.subplot(1,2,2)
plt.pie(customer_count.values,labels=list(customer_count.index),autopct='%.1f%%', textprops={'color':'r'},shadow=True)
plt.legend(loc=1)
plt.show()