python 对潜在客户数据集 进行数据分析

大家好，我是小寒。

今天给大家带来一篇 探索性数据分析（EDA） 案例分享。如果觉得不错，可以多多分享。

什么是探索性数据分析

探索性数据分析 （EDA） 是任何数据科学或数据分析项目的重要组成部分。EDA 背后的理念是在构建任何模型之前 「检查和了解数据。」

它查看数据集以「发现异常值、模式和关系，并根据对给定数据集的理解形成假设。」

以下内容是 EDA 的一部分：

• 从数据集中获得最大的洞察力
• 揭开底层结构
• 从数据集中提取重要特征
• 检查异常值
• 测试假设

EDA 是必不可少的，因为在动手之前「了解问题陈述和数据特征之间的各种关系是一种很好的做法。」

为什么 EDA 对 ML 项目很重要？

EDA 使理解数据集的结构变得容易，使数据建模更容易。 EDA 的主要目标是清洗数据，它有助于识别不正确的数据点，因此可以很容易地从数据集中删除它们。

从技术上讲，EDA 的主要动机是：

• 检查数据分布
• 处理缺失值和异常值
• 删除重复数据
• 编码类别变量
• 规范化和缩放

「探索性数据分析案例」

问题陈述：

我们需要对给定的 Lead Scoring 数据集执行 EDA，并做出尽可能多的推断。

数据集解释

我们可以在 Kaggle 上获得此数据集（https://www.kaggle.com/code/ashydv/lead-scoring-logistic-regression/data?select=Leads.csv）。

该数据集由各种属性组成，如潜在客户来源、网站上花费的总时间、总访问量、上次活动等，这些属性可能对最终决定潜在客户是否转换有用。

原始数据集共包含 37 列和 9240 行。为了简化，我们这里只考虑最重要的特征，这些特征是在对原始数据执行 EDA 后提取的。

本文所使用的特征说明如下：

「变量」	「描述」
Prospect ID	用于识别客户的唯一 ID。
Lead Origin	将客户识别为潜在客户的来源标识符。包括API、登陆页面提交等。
Lead Source	引流的来源。包括谷歌、自然搜索、Olark 聊天等。
Converted	目标变量。指示潜在客户是否已成功转换。
Time Spent on Website	客户在网站上花费的总时间。
Last Activity	客户执行的最后一项活动。包括打开的电子邮件、Olark 聊天对话等。
Specialization	客户之前工作的行业领域。包括 “ Select Specialization ” 级别，这意味着客户在填写表格时没有选择此选项。
What is your current occupation	指示客户是学生、失业者还是就业者。

数据准备

加载数据集

通过 pandas 的 read_csv 方法来读取 csv 文件。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# Loading Dataset
data = pd.read_csv('Leads.csv')
# List of all the columns, to be dropped from the original data:
drop_list = ['How did you hear about X Education',
             'Lead Profile','Asymmetrique Activity Index',
             'Asymmetrique Activity Score',
             'Asymmetrique Profile Index',
             'Asymmetrique Profile Score',
             'Lead Number',
             'What matters most to you in choosing a course',
             'Search',
             'Magazine',
             'Newspaper Article',
             'X Education Forums',
             'Newsp