基于K-Means的银行客户数据集分析与处理

关于银行数据的分析与处理，数据集来自www.kaggle.com

数据分析

选择K-means聚类算法来处理数据，得出相关结论。
K-means算法简述：

K-Means的算法如下：

1、 随机在图中取K（这里K=2）个种子点。
2、 然后对图中的所有点求到这K个种子点的距离，假如点Pi离种子点Si最近，那么Pi属于Si点群。（上图中，我们可以看到A，B属于上面的种子点，C，D，E属于下面中部的种子点）
3、 接下来，我们要移动种子点到属于他的“点群”的中心。（求点群中心的算法也就是欧氏距离（Euclidean Distance）：差的平方和的平方根）
4、 然后重复第2）和第3）步，直到，种子点没有移动（我们可以看到图中的第四步上面的种子点聚合了A，B，C，下面的种子点聚合了D，E）。
K-means的优缺点：
优点：
1、理解容易，聚类效果好；
2、处理大数据时，该算法可以保证较好的伸缩性和高效性；
3、当簇近似高斯分布（正态分布）时，效果很好

缺点：
1、K值需要自己设定，不同K值结果不同；
2、对于初试设定的重心非常敏感；
3、不适合发现非凸形状的簇或者大小差别较大的簇
4、特殊值(离群值)对模型的影响较大

导入库和数据

为使过程更加直观，每一个过程都用excel输出显示。

数据处理（数据清洗及过滤）

数据处理（数据选择）

数据处理（数据标准化）

数据的标准化/归一化简述：
数据的标准化（normalization）是将数据按比例缩放，使之落入一个小的特定区间。其中最典型的就是数据的归一化处理，即将数据统一映射到[0,1]区间上。常见的数据归一化的方法有：min-max标准化，log函数转换，atan函数转换，z-score标准化（此方法最为常用），模糊量化法。

z-score 标准化(zero-mean normalization)简述
最常见的标准化方法就是Z标准化，也是SPSS中最为常用的标准化方法，spss默认的标准化方法就是z-score标准化。也叫标准差标准化，这种方法给予原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。经过处理的数据符合标准正态分布，即均值为0，标准差为1，其转化函数为：

x* = (x - μ ) / σ

其中μ为所有样本数据的均值，σ为所有样本数据的标准差。
标准化后的变量值围绕0上下波动，大于0说明高于平均水平，小于0说明低于平均水平。

数据可视化

结论

职业数越大可能性越高、存款数越多可能性越高、交流时长越长可能性越高、间隔天数越少可能性越高、上一次的营销结果数越大成功的可能性越高、年龄越大可能性越高。
账户中存款数对营销成功率有较大关系，其中D组客户显然应该优先联系进行营销，营销成功的可能性较大。其次为C组。

全部代码

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

#解决中文乱码
mpl.rcParams["font.sans-serif"] = [u"SimHei"]
mpl.rcParams["axes.unicode_minus"] = False

#数据读入
data = pd.read_csv('bank.csv')
data.to_excel('bank_data.xls')

#数据清洗，过滤
df = pd.read_excel('bank_data.xls')
filter1 = df['job'] != 'admin.'
filter2 = df['balance'] > 0
filter3 = df['loan'] > 'no'
filter = filter1 & filter2 & filter3
df = df[filter]
df.to_excel('bank_filter.xls')

#数据选择
ch = pd.read_excel('bank_filter.xls')
ch = ch[['age','job','balance','duration','pdays','poutcome']]
ch.to_excel('bank_choose.xls')

#数据标准化
st = pd.read_excel('bank_choose.xls')
st['poutcome'].replace(['failure','other','success','unknown'],[0,1,2,1],inplace=True)
st['job'].replace(['unemployed','student','retired','self-employed','housemaid','services','blue-collar',
                   'technician','management','entrepreneur','unknown'],[0,1,2,3,4,5,6,7,8,9,3],inplace=True)
st = st[['age','job','balance','duration','pdays','poutcome']]
st = (st - np.mean(st,axis=0))/np.std(st,axis=0)
st.to_excel('bank_standard.xls')

#K-means聚类
km = pd.read_excel('bank_standard.xls')
kmeans = KMeans(4)
kmeans.fit(km[['age','job', 'balance', 'duration', 'pdays', 'poutcome']])
km['label'] = kmeans.labels_
coreData = np.array(kmeans.cluster_centers_)
km.to_excel('bank_kmeans.xls')

#雷达图展示
ydata0 = np.concatenate((coreData[0], [coreData[0][0]]))
ydata1 = np.concatenate((coreData[1], [coreData[1][0]]))
ydata2 = np.concatenate((coreData[2], [coreData[2][0]]))
ydata3 = np.concatenate((coreData[3], [coreData[3][0]]))

xdata = np.linspace(0,2*np.pi,6,endpoint=False)
xdata = np.concatenate((xdata,[xdata[0]]))

fig = plt.figure()
ax = fig.add_subplot(111,polar=True)  #111表示“1×1网格，第一子图”
ax.plot(xdata, ydata0, 'r--', linewidth=1.2, label='A组客户')
ax.plot(xdata, ydata1, 'o--', linewidth=1.2, label='B组客户')
ax.plot(xdata, ydata2, 'y--', linewidth=1.2, label='C组客户')
ax.plot(xdata, ydata3, 'g--', linewidth=1.2, label='D组客户')

ax.set_thetagrids(xdata * 180 / np.pi, ['年龄','职业', '存款', '交流时长', '间隔天数', '营销结果'])  # 有六个值，将一个圆分为六块
ax.set_rlim(-4, 13)  # 轴值范围，圆点是-4，最外层是13
plt.legend(loc=4)
plt.show()