Kaggle超市客户分类-KMeans无监督案例

KMeans无监督案例：Kaggle超市客户分类

案例背景

现有超市购物中心客户的一些基本数据，如客户ID，年龄，性别，年收入和消费分数。消费分数是根据客户行为和购买数据等条件分配给客户的分数。
需要解决问题：利用现有资料，划分不同客户类型，以便可以了解哪些客户为超市优质客户，并向营销团队提供意见。
案例资料：链接：https://pan.baidu.com/s/1w04nEWJUgjgxulj3VixE2A 提取码：sfp3

项目

1.模块导入和数据读取

#导入对应的模块
import pandas as pd
import matplotlib
from matplotlib import pyplot as plt
from sklearn.cluster import KMeans

#设置全部列显示和浮点数格式
pd.options.display.max_columns=None
pd.set_option('display.float_format',lambda x:'%.6f'%x)

#数据读取
df=pd.read_csv(open(r"C:\Users\angella.li\Desktop\案例\customer-segmentation-tutorial-in-python\Mall_Customers.csv"),encoding='utf-8',index_col=0)
#为了方便分析数据，需要重新定义列名
df=df.rename(columns={
   'Gender':'gender','Age':'age','Annual Income (k$)':'annual_income','Spending Score (1-100)':'spending_score'})
df.gender.replace(['Male','Female'],[1,0],inplace=True)#用数字表示性别
df.head(2)

数据读取结果

2.数据处理

#对缺失值处理
df.isnull().sum()

数据无缺失值。

3. 数据划分

第一步将数据标准化。

#计算出数据的均值和标准差
dfms=pd.concat([df.mean().to_frame(),df.std().