1、研究背景
1、做好“用户流失预测”可以降低营销成本。老生常谈，“新客户开发成本”是“老客户维护成本”的5倍。
2、获得更好的用户体验。并不是所有的增值服务都可以有效留住客户。
3、获得更高的销售回报。价格敏感型客户和非价格敏感性客户
2、提出问题
1、流失客户有哪些显著性特征？
2、当客户在哪些特征下什么条件下比较容易发生流失？
3、数据集描述
该数据是datafountain上的《电信客户流失数据》点此下载数据
该数据集有21个变量，7043个数据点。变量可分为以下三个部分：用户属性、用户行为、研究对象
用户属性
customerID ：用户ID。
gender：性别。（Female & Male）
SeniorCitizen ：老年人 （1表示是，0表示不是）
Partner ：是否有配偶 （Yes or No）
Dependents ：是否经济独立 （Yes or No）
tenure ：客户的职位（0-72，共73个职位）
用户行为
PhoneService ：是否开通电话服务业务 （Yes or No）
MultipleLines：是否开通了多线业务（Yes 、No or No phoneservice 三种）
InternetService：是否开通互联网服务 （No, DSL数字网络，fiber optic光纤网络 三种）
OnlineSecurity：是否开通网络安全服务（Yes，No，No internetserive 三种）
OnlineBackup：是否开通在线备份业务（Yes，No，No internetserive 三种）
DeviceProtection：是否开通了设备保护业务（Yes，No，No internetserive 三种）
TechSupport：是否开通了技术支持服务（Yes，No，No internetserive 三种）
StreamingTV：是否开通网络电视（Yes，No，No internetserive 三种）
StreamingMovies：是否开通网络电影（Yes，No，No internetserive 三种）
Contract：签订合同方式 （按月，一年，两年）
PaperlessBilling：是否开通电子账单（Yes or No）
PaymentMethod：付款方式（bank transfer，credit card，electronic check，mailed check）
MonthlyCharges：月费用
TotalCharges：总费用
研究对象
Churn：该用户是否流失（Yes or No）
4、分析思路
“分析视角”是“分析方法”的灵魂。
分析方法有上百种，但“分析视角”只有四种：
- 对比视角
- 分类视角
- 相关视角
- 描述视角
一旦将”业务需求“拆解成指标，接下来只需要针对每个指标进行”分析视角“四选一即可
数据集描述，已经将变量分为三个维度了：用户属性、用户行为、研究对象（是否流失客户），三个维度组合一下就得出了以下解题思路了：
- 哪些属性的用户比较容易流失？
- 哪些行为的用户比较容易流失？
以上两个分析思路运用的是【对比视角】，该视角下具体的分析方法有：
- 数值型数据：均值比较
- 分类型数据：频数分布比较（交叉分析）
以上的分析方法是统计分析，只能一个维度一个维度地去比较。但实际情况中，并不是每个维度的权重都一样的，那如何去研究各个维度的权重？
“权重问题”属于“分类视角”，故我们可以采用”分类模型"，要用哪个”分类模型“呢？不知道。可以全部采用，看模型精度得分，然后选得分最高的模型进行进一步预测。
- Random Forest 随机森林
- SVC 支持向量机
- LogisticRegression 逻辑回归
- KNN 近邻算法
- Naive Bayes 朴素贝叶斯
- Decision Tree 决策树
- AdaBoost
- GradientBoosting
- XGB
- CatBoost
5、分析结论 及 运营建议
5.2、分析结论
综合“ 统计分析” 和 “XGB算法输出特征重要性” 得出流失客户有以下特征（依特征重要性从大到小排列）：
- tenure：1-5号职位的用户比较容易流失
- PaymentMethod：使用“电子支票”支付的人
- MonthlyCharges 、TotalCharges:总费用在2281.92元以下，月费用在64.76元以上的客户比较容易流失
- PaperlessBilling:开通电子账单
- Partner:单身
- OnlineBackup:没开通“在线备份业务”
- InternetService：开通了 “Fiber optic 光纤网络”
- TechSupport：没开通“技术支持服务”
- DeviceProtection：没开通通了“设备保护业务
- OnlineSecurity：没开通“网络安全服务”
- Contract：“按月”签订合同方式
- Dependents：无经济独立
- SeniorCitizen ：青年人
- TotalCharges：总费用在2281.92元以下，月费用在64.76元以上的客户比较容易流失
当条件覆盖得越多，人群越精确，但与此同时，覆盖的人群也会越少。业务方可直接在数据库中，通过SQL检索符合要求的客户，然后做针对性的运营工作。
5.2、运营建议
如何留住客户，可以从两方面去思考：
- 增加用户的沉没成本（损失厌恶）
- 会员等级
- 积分制
- 充值赠送
- 满减券
- 其他增值服务
- 培养用户的条件反射（习惯）
- 会员日
- 定期用户召回
- 签到
- 每日定时抽奖
- 小游戏
电子账单解锁新权益
- 现象：“开通电子账单”的人反而容易流失
- 基本假设：价格敏感型客户。电子账单，让客户理性消费。
- 建议：让“电子账单”变成一项“福利。跟连锁便利店，联名发"商品满减券"，每月的账单时间，就将"商品满减券“和账单一起推送过去。文案：您上月消费了XX元，解锁了xx会员权益。
- 底层规律：增加沉没成本。
“单身用户”专享娱乐福利
针对单身用户，我们可以理解他的社交动机薄弱，那我们可以根据单身人士常见的消遣方式：看综艺、刷短视频、看小说、玩游戏等，在电信套餐中增加这些福利。
大力推广特征中其他增值服务
开通在线备份、技术支持服务、设备保护、网络安全等服务可以降低用户的流失。
”在线备份“业务，可以增加沉没成本。其他三项，相当购买一个保险，是个很抽象的业务，客户很难有切身体验。”在线备份“，你在电信平台，备份的东西越多，你迁移的成本越高，也就是沉没成本越高。所以该服务可以给没开通的用户免费体验一个月，鼓励大家备份东西。
针对经济不独立用户做“充值赠送”
经济不独立用户流失，这个我们很容易联想到学生。针对于学生，电信公司是会独自推出“校园套餐”，最常做的做法就是，充值返钱，充50送200，然后分10个月返，假如你的月租是50，其实这个活动是10个“充50送20”的活动
6、数据清洗
6.1、导入模块
6.1.1、数据处理
import pandas as pd
import numpy as np
6.1.2、可视化
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(style='darkgrid',font_scale=1.3)
plt.rcParams['font.family']='SimHei'
plt.rcParams['axes.unicode_minus']=False
6.1.3、特征工程
import sklearn
from sklearn import preprocessing
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import StratifiedShuffleSplit
from sklearn.model_selection import train_test_split
from sklearn.decomposition import PCA
6.1.4、分类算法
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC,LinearSVC
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.cluster import KMeans
from sklearn.naive_bayes import GaussianNB
from sklearn.tree import DecisionTreeClassifier
6.1.5、分类算法–集成学习
python金融风控评分卡模型和数据分析(加强版)
入口1（推荐）
https://ke.qq.com/course/package/43071
入口2
https://study.163.com/series/1202915601.htm?share=2&shareId=400000000398149
import xgboost as xgb
from xgboost import XGBClassifier
from catboost import CatBoostClassifier
from sklearn.ensemble import AdaBoostClassifier
from sklearn.ensemble import GradientBoostingClassifier
6.1.6、模型评估
from sklearn.metrics import classification_report,precision_score,recall_score,f1_score
from sklearn.metrics import confusion_matrix
from sklearn.metrics import silhouette_score
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import make_scorer
from sklearn.ensemble import VotingClassifier
6.1.7、忽略警告
import warnings
warnings.filterwarnings('ignore')
6.2、读取数据
df=pd.read_csv(r'C:\Users\Think\Desktop\刻意练习数据\电信数据集\Customer-Churn.csv',header=0)
df.head()
df.shape
df.describe()
这里安利一下“spyder"编辑器，下图是spyder编辑器的界面。编程过程中，有“赋值”变量的操作，该编辑器都会在右上角呈现，双击一下，就可以像在Execel上查看数据，非常方便。
查看该数据集的详情：
6.3、数据清洗
6.3.1、缺失值处理
df.isnull().sum()
注：缺失值的数据类型是 float 类型。一旦有变量的数据类型转换成“float 类型”，需再次查看缺失值
6.3.2、重复值处理
df.duplicated().sum()
【输出】
6.3.3、数值类型转换
df.info()
【输出】
"TotalCharages"总费用应该跟“MonthlvCharges”是同一个类型–float64。故需将"TotalCharages"由“object”转换成“float64”，且需要再次查看“缺失值”。
df['TotalCharges']=df['TotalCharges'].convert_objects(convert_numeric=True)
df['TotalCharges'].dtype
【输出】
再次查看“缺失值”
TotalCharges列有11个缺失值，处理缺失值的原则是尽量填充，最后才是删除。
缺失值填充的原则：
- 分类型数据：众数填充
- 数值型数据：正态分布，均值/中位数填充；偏态分布，中位数填充。
TotalCharges列是数值型数据，先画直方图查看数据分布形态
plt.figure(figsize=(14,5))
plt.subplot(1,3,1)
plt.title('全部客户的总付费直方图')
sns.distplot(df['TotalCharges'].dropna())
plt.subplot(1,3,2)
plt.title('流失客户的总付费直方图')
sns.distplot(df[df['Churn']=='Yes']['TotalCharges'].dropna())
plt.subplot(1,3,3)
plt.title('留存客户的总付费直方图')
sns.distplot(df[df['Churn']=='No']['TotalCharges'].dropna())
【输出】
【分析】
从三个直方图看，该列数据是偏态分布，故选择“中位数”填充
df.fillna({'TotalCharges':df['TotalCharges'].median()},inplace=True)
df.isnull().sum()
【输出】
6.4、查看样本分布
研究对象’Churn’列重新编码“Yes”=1，“No“=0
重新编码有两种方法：
方法一：replace
df['Churn'].replace(to_replace = 'Yes', value = 1,inplace = True)
df['Churn'].replace(to_replace = 'No', value = 0,inplace = True)
方法二：map函数
df['Churn']=df['Churn'].map({'Yes':1,'No':0})
预览
df['Churn'].head()
【输出】
绘制饼图,查看流失客户占比
churn_value=df["Churn"].value_counts()
labels=df["Churn"].value_counts().index
plt.figure(figsize=(7,7))
plt.pie(churn_value,labels=labels,colors=["b","w"], explode=(0.1,0),autopct='%1.1f%%', shadow=True)
plt.title("流失客户占比高达26.5%")
plt.show()
【输出】
【分析】：
流失客户样本占比26.5%，留存客户样本占比73.5%，明显的“样本不均衡”。
解决样本不均衡有以下方法可以选择：
- 分层抽样
- 过抽样
- 欠抽样
7、特征选择
提取特征
feature=df.iloc[:,1:20]
7.1、整数编码
查看变量间的两两相关性
corr_df = feature.apply(lambda x: pd.factorize(x)[0])
corr_df.head()
corr=corr_df.corr()
corr
【输出】
相关性矩阵可视化
plt.figure(figsize=(15,12))
ax = sns.heatmap(corr, xticklabels=corr.columns, yticklabels=corr.columns,
linewidths=0.2, cmap="RdYlGn",annot=True)
plt.title("Correlation between variables")
【输出】
【分析】：
从热力图来看，互联网服务、网络安全、在线备份、设备维护服务、技术支持服务、开通网络电视服务、开通网络电影之间相关性很强，且是正相关。
电话服务和多线业务之间也存在很强的正相关关系。
7.2、独热编码
查看研究对象"Churn"与其他变量下的标签相关性。
独热编码，可以将分类变量下的标签转化成列
df_onehot = pd.get_dummies(df.iloc[:,1:21])
df_onehot.head()
【输出】
绘图查看 用户流失(‘Churn’)与各个维度之间的关系
plt.figure(figsize=(15,6))
df_onehot.corr()['Churn'].sort_values(ascending=False).plot(kind='bar')
plt.title('Correlation between Churn and variables ')
【输出】
【分析】：
从图看gender（性别）、PhoneService（电话服务）相关性几乎为0，故两个维度可以忽略。
[‘SeniorCitizen’,‘Partner’,‘Dependents’,MultipleLines,‘InternetService’, ‘OnlineSecurity’, ‘OnlineBackup’, ‘DeviceProtection’,
‘TechSupport’, ‘StreamingTV’, ‘StreamingMovies’, ‘Contract’,
‘PaperlessBilling’，‘PaymentMethod’]等都有较高的相关性，将以上维度合并成一个列表kf_var，然后进行频数比较
kf_var=list(df.columns[2:5])
for var in list(df.columns[7:18]):
kf_var.append(var)
print('kf_var=',kf_var)
【输出】
8、统计分析
8.1、频数分布比较
8.1.1、卡方检验
组间有显著性差异，频数分布比较才有意义,否则可能会做无用功。
“卡方检验”,就是提高频数比较结论可信度的统计方法。
from scipy.stats import chi2_contingency
def KF(x):
df1=pd.crosstab(df['Churn']，df[x])
li1=list(df1.iloc[0,:])
li2=list(df1.iloc[1,:])
kf_data=np.array([li1,li2])
kf=chi2_contingency(kf_data)
if kf[1]<0.05:
print('Churn by {} 的卡方临界值是{:.2f}，小于0.05，表明{}组间有显著性差异,可进行【交叉分析】'.format(x,kf[1],x),'\n')
else:
print('Churn by {} 的卡方临界值是{:.2f}，大于0.05，表明{}组间无显著性差异,不可进行交叉分析'.format(x,kf[1],x),'\n')
print('kf_var的卡方检验结果如下:','\n')
print(list(map(KF, kf_var)))
【输出】
kf_var的卡方检验结果如下:
Churn by SeniorCitizen 的卡方临界值是0.00，小于0.05，表明SeniorCitizen组间有显著性差异,可进行【交叉分析】
Churn by Partner 的卡方临界值是0.00，小于0.05，表明Partner组间有显著性差异,可进行【交叉分析】
Churn by Dependents 的卡方临界值是0.00，小于0.05，表明Dependents组间有显著性差异,可进行【交叉分析】
Churn by MultipleLines 的卡方临界值是0.99，大于0.05，表明MultipleLines组间无显著性差异,不可进行交叉分析
Churn by InternetService 的卡方临界值是0.00，小于0.05，表明InternetService组间有显著性差异,可进行【交叉分析】
Churn by OnlineSecurity 的卡方临界值是0.00，小于0.05，表明OnlineSecurity组间有显著性差异,可进行【交叉分析】
Churn by OnlineBackup 的卡方临界值是0.00，小于0.05，表明OnlineBackup组间有显著性差异,可进行【交叉分析】
Churn by DeviceProtection 的卡方临界值是0.00，小于0.05，表明DeviceProtection组间有显著性差异,可进行【交叉分析】
Churn by TechSupport 的卡方临界值是0.00，小于0.05，表明TechSupport组间有显著性差异,可进行【交叉分析】
Churn by StreamingTV 的卡方临界值是0.00，小于0.05，表明StreamingTV组间有显著性差异,可进行【交叉分析】
Churn by StreamingMovies 的卡方临界值是0.00，小于0.05，表明StreamingMovies组间有显著性差异,可进行【交叉分析】
Churn by Contract 的卡方临界值是0.00，小于0.05，表明Contract组间有显著性差异,可进行【交叉分析】
Churn by PaperlessBilling 的卡方临界值是0.00，小于0.05，表明PaperlessBilling组间有显著性差异,可进行【交叉分析】
Churn by PaymentMethod 的卡方临界值是0.00，小于0.05，表明PaymentMethod组间有显著性差异,可进行【交叉分析】
【结论】：
#从卡方检验的结果，kf_var包含的特征,组间都有显著性差异，可进行频数比较
8.1.2、柱形图
频数比较–柱形图
plt.figure(figsize=(20,25))
a=0
for k in kf_var:
a=a+1
plt.subplot(4,4,a)
plt.title('Churn BY '+ k)
sns.countplot(x=k,hue='Churn',data=df)
【输出】
因为PaymentMethod的标签比较长，影响看图，所以单独画
plt.xticks(rotation=45)
sns.countplot(x='PaymentMethod',hue='Churn',data=df)
【分析】
可以直接从柱形图去判断对哪个维度对流失客户的影响大吗？不能，因为“样本不均衡”（流失客户样本占比26.5%，留存客户样本占比73.5%），基数不一样，故不能直接通过“频数”的柱形图去分析。
解决办法：交叉分析，且作同行百分比（'Churn’作为“行”）
8.1.3、交叉分析
print('ka_var列表中的维度与Churn交叉分析结果如下：','\n')
for i in kf_var:
print('................Churn BY {}...............'.format(i))
print(pd.crosstab(df['Churn'],df[i],normalize=0),'\n')
【输出】
ka_var列表中的维度与Churn交叉分析结果如下：
【SeniorCitizen 分析】：年轻用户 在流失、留存，两个标签的人数占比都高。
【Parter 分析】：单身用户更容易流失。
【Denpendents 分析】：经济不独立的用户更容易流失。
【MultipleLines 分析】：是否开通MultipleLines，对留存和流失都没有明显的促进作用。
【InternetService 分析】：办理了 “Fiber optic 光纤网络”的客户容易流失。
【OnlineSecurity 分析】：没开通“网络安全服务”的客户容易流失。
【OnlineBackup 分析】：没开通“在线备份服务”的客户容易流失。
【DeviceProtection 分析】：没开通“设备保护业务”的用户比较容易流失
【TechSupport 分析】：没开通“技术支持服务”的用户容易流失。
【StreamingTV 分析】：是否开通“网络电视”服务，对用户留存、流失，没有明显的促进作用。
【StreamingMovies 分析】：是否开通“网络电影”服务，对用户留存、流失，没有明显的促进作用。
【Contract 分析】逐月签订合同的用户最容易流失。
因为"Churn BY PaymentMethod"打印出来显示不全，故我就从临时表将“交叉表”给截图出来了： 
【分析】使用“电子支票”支付的人更容易流失。
8.2、均值比较
组间有显著性差异，均值比较才有意义。
显著性检验，先通过了齐性检验，再通过方差分析，最后才能做均值比较。
8.2.0、齐性检验，方差分析
def ANOVA(x):
li_index=list(df['Churn'].value_counts().keys())
args=[]
for i in li_index:
args.append(df[df['Churn']==i][x])
w,p=stats.levene(*args)
if p<0.05:
print('警告：Churn BY {}的P值为{:.2f}，小于0.05，表明齐性检验不通过，不可作方差分析'.format(x,p),'\n')
else:
f,p_value=stats.f_oneway(*args)
print('Churn BY {} 的f值是{},p_value值是{}'.format(x,f,p_value),'\n')
if p_value<0.05:
print('Churn BY {}的均值有显著性差异，可进行均值比较'.format(x),'\n')
else:
print('Churn BY {}的均值无显著性差异，不可进行均值比较'.format(x),'\n')
对MonthlyCharges、TotalCharges维度分别进行齐性检验和方差分析
print('MonthlyCharges、TotalCharges的齐性检验 和方差分析结果如下:','\n')
ANOVA('MonthlyCharges')
ANOVA('TotalCharges')
【输出】：
MonthlyCharges、TotalCharges的齐性检验 和方差分析结果如下:
警告：Churn BY MonthlyCharges的P值为0.00，小于0.05，表明齐性检验不通过，不可作方差分析
警告：Churn BY TotalCharges的P值为0.00，小于0.05，表明齐性检验不通过，不可作方差分析
8.3、总结
用户出现以下特征比较容易流失：
- SeniorCitizen：青年人
- Partner ：单身
- Dependents ：无经济独立
- InternetService：开通了 “Fiber optic 光纤网络”
- OnlineSecurity：没开通“网络安全服务”
- OnlineBackup：没开通“在线备份业务”
- DeviceProtection：没开通通了“设备保护业务
- TechSupport：没开通“技术支持服务”
- Contract：“按月”签订合同方式
- PaperlessBilling：开通电子账单
- PaymentMethod：使用“电子支票”支付的人
我们可以在SQL（数据库）上找有以上特征的客户，进行精准营销，即可以降低用户流失。虽然特征选得越多，越精确，但覆盖的人群也会越少。故，我们还需要计算“特征”的【重要性】，将最为重要的几个特征作为筛选条件。
计算特征的【重要性】，是“分类视角”，接下来我们会挑选常见的分类模型，进行批量训练，然后挑出得分最高的模型，进一步计算“特征重要性”。
9、特征工程
9.1、提取特征
有前面的流失率与各个维度的相关系数柱状图可知：
流失率与gender（性别）、PhoneService（电话服务）相关性几乎为0，可以筛选掉，而customerID是随机数，不影响建模，故可以筛选掉。最终得到特征 churn_var
churn_var=df.iloc[:,2:20]
churn_var.drop("PhoneService",axis=1, inplace=True)
churn_var.head()
【输出】
9.2、处理“量纲差异大”
“MonthlyCharges"、"TotalCharges"两个特征跟其他特征相比，量纲差异大
处理量纲差异大，有两种方法：
- 标准化
- 离散化
以上两种方法，哪个能让模型精度提高，就选哪个。根据模型的最后得分，我选了“离散化”来处理量纲差异大。
9.2.1、标准化
scaler = StandardScaler(copy=False)
scaler.fit_transform(churn_var[['MonthlyCharges','TotalCharges']])
churn_var[['MonthlyCharges','TotalCharges']]=scaler.transform(churn_var[['MonthlyCharges','TotalCharges']])
print(churn_var[['MonthlyCharges','TotalCharges']].head() )
【输出】
9.2.2 、特征离散化
特征离散化后，模型易于快速迭代，且模型更稳定
1、处理’MonthlyCharges’：
churn_var['MonthlyCharges'].describe()
离散操作
18.25=<churn_var[‘MonthlyCharges’]<=35.5,标记 “1”
35.5<churn_var[‘MonthlyCharges’]<=70.35,标记 “2”
70.35<churn_var[‘MonthlyCharges’]<=89.85,标记 “3”
89.85=<churn_varf[‘MonthlyCharges’]<=118.75，标记“4”
churn_var['MonthlyCharges']=pd.qcut(churn_var['MonthlyCharges'],4,labels=['1','2','3','4'])
churn_var['MonthlyCharges'].head()
【输出】
2、处理’TotalCharges’：
churn_var['TotalCharges'].describe()
【输出】
离散操作：
18=<churn_var[‘TotalCharges’]<=402,标记 “1”
402<churn_var[‘TotalCharges’]<=1397,标记 “2”
1397<churn_var[‘TotalCharges’]<=3786,标记 “3”
3786<churn_var[‘TotalCharges’]<=8684,标记 “4”
churn_var['TotalCharges']=pd.qcut(churn_var['TotalCharges'],4,labels=['1','2','3','4'])
churn_var['TotalCharges'].head()
【输出】
9.3、分类数据转换成“整数编码”
9.3.1、查看churn_var中分类变量的label(标签）
def Label(x):
print(x,"--" ,churn_var[x].unique())
df_object=churn_var.select_dtypes(['object'])
print(list(map(Label,df_object)))
【输出】
【分析】
通过同行百分比的“交叉分析”发现，label “No internetserive”的人数占比在以下特征[OnlineSecurity，OnlineBackup，DeviceProtection，TechSupport，StreamingTV，StreamingTV]都是惊人的一致，故我们可以判断label “No internetserive”不影响流失率。
因为这6项增值服务，都是需要开通“互联网服务”的基础上才享受得到的。不开通“互联网服务”视为没开通这6项增值服务，故可以将 6个特正中的“No internetserive” 并到 “No”里面。
churn_var.replace(to_replace='No internet service',value='No',inplace=True)
而特征MultipleLines的“ No phoneservice”在流失客户、留存客户样本中的人数占比几乎接近，且比较少，故可以将“ No phoneservice”并到“No”。
churn_var.replace(to_replace='No phone service',value='No',inplace=True)
df_object=churn_var.select_dtypes(['object'])
print(list(map(Label,df_object.columns)))
【输出】
9.3.2、整数编码
整数编码的方法有两种：
- sklearn中的LabelEncoder()
- pandas中的factorize
此处选用 LabelEncoder()
def labelencode(x):
churn_var[x] = LabelEncoder().fit_transform(churn_var[x])
for i in range(0,len(df_object.columns)):
labelencode(df_object.columns[i])
print(list(map(Label,df_object.columns)))
【输出】
9.4、处理“样本不均衡”
分拆变量
x=churn_var
y=df['Churn'].values
print('抽样前的数据特征',x.shape)
print('抽样前的数据标签',y.shape)
【输出】
抽样前的数据特征 (7043, 17)
抽样前的数据标签 (7043,)
处理样本不均衡常用的方式有三种：
- 分层抽样
- 过抽样
- 欠抽样
笔者先后尝试了“分层抽样”和“欠抽样”，前者最终得到的模型中精度最高的是0.63，而后者最终得到的模型中精度最低是0.78，最高是0.84。所以说“抽样方式”的选择极为重要，大家要在这里多试错。
分层抽样
sss=StratifiedShuffleSplit(n_splits=5, test_size=0.2, random_state=0)
print(sss)
print("训练数据和测试数据被分成的组数：",sss.get_n_splits(x,y))
for train_index, test_index in sss.split(x, y):
print("train:", train_index, "test:", test_index)
x_train,x_test=x.iloc[train_index], x.iloc[test_index]
y_train,y_test=y[train_index], y[test_index]
“过抽样”让模型精度更高，故我选“过抽样”。
from imblearn.over_sampling import SMOTE
model_smote=SMOTE()
x,y=model_smote.fit_sample(x,y)
x=pd.DataFrame(x,columns=churn_var.columns)
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.3,random_state=0)
输出数据集大小
print('过抽样数据特征：', x.shape,
'训练数据特征：',x_train.shape,
'测试数据特征：',x_test.shape)
print('过抽样后数据标签：', y.shape,
' 训练数据标签：',y_train.shape,
' 测试数据标签：',y_test.shape)
【输出】
过抽样后数据特征： (10348, 17) 训练数据特征： (7243, 17) 测试数据特征： (3105, 17)
过抽样后数据标签： (10348,) 训练数据标签： (7243,) 测试数据标签： (3105,)
10、数据建模
使用分类算法
Classifiers=[["Random Forest",RandomForestClassifier()],
["Support Vector Machine",SVC()],
["LogisticRegression",LogisticRegression()],
["KNN",KNeighborsClassifier(n_neighbors=5)],
["Naive Bayes",GaussianNB()],
["Decision Tree",DecisionTreeClassifier()],
["AdaBoostClassifier", AdaBoostClassifier()],
["GradientBoostingClassifier", GradientBoostingClassifier()],
["XGB", XGBClassifier()],
["CatBoost", CatBoostClassifier(logging_level='Silent')]
]
训练模型
Classify_result=[]
names=[]
prediction=[]
for name,classifier in Classifiers:
classifier=classifier
classifier.fit(x_train,y_train)
y_pred=classifier.predict(x_test)
recall=recall_score(y_test,y_pred)
precision=precision_score(y_test,y_pred)
f1score = f1_score(y_test, y_pred)
class_eva=pd.DataFrame([recall,precision,f1score])
Classify_result.append(class_eva)
name=pd.Series(name)
names.append(name)
y_pred=pd.Series(y_pred)
prediction.append(y_pred)
11、模型评估
names=pd.DataFrame(names)
names=names[0].tolist()
result=pd.concat(Classify_result,axis=1)
result.columns=names
result.index=["recall","precision","f1score"]
result
【输出】
特征工程，采用“标准化”处理量纲差异，采用“分层抽样”处理样本不均衡。
最终模型精度得分，最高分是0.63，是“朴素贝叶斯”模型
特征工程，采用“离散化”处理量纲差异，采用“过抽样”处理样本不均衡。
最终模型精度得分，最高分是0.84，是“XGB”模型
12、基于“XGB”模型输出特征重要性
笔者尝试了两个算法分别输出“特征重要性”：CatBoost算法 和 XGB 算法
- CatBoost算法
model = CatBoostClassifier()
model.fit(x_train,y_train,eval_set=(x_test, y_test),plot=True)
catboost=pd.DataFrame(columns=['feature','feature_importance'])
catboost['feature']=model.feature_names_
catboost['feature_importance']=model.feature_importances_
catboost=catboost.sort_values('feature_importance',ascending=False)
plt.figure(figsize=(10,10))
plt.title('特征重要性')
sns.barplot(x='feature_importance',y='feature',data=catboost)
【输出】
-XGB 算法
model_xgb= XGBClassifier()
model_xgb.fit(x_train,y_train)
from xgboost import plot_importance
plot_importance(model_xgb,height=0.5)
plt.show()
【输出】
由于 XGB算法精度得分最高，故我们以XGB得到的“特征重要性”进行分析。
【分析】
- 第一重要特征：tenure
plt.figure(figsize=(20,4))
sns.countplot(x='tenure',hue='Churn',data=df)
【输出】
【分析】
由图可知，流失客户集中在1-5号职位，运营团队需要重点关注1-5号职位。
- 第二重要特征：PaymentMethod
【分析】
使用“电子支票”支付的人更容易流失。
- 第三重要特征：MonthlyCharges
查看流失用户、留存用户在付费方面的偏好：
‘MonthlyCharges’、‘TotalCharges’，离散化后，可进行卡方检验，然后交叉分析。
- 卡方检验：‘MonthlyCharges’、‘TotalCharges’
df['MonthlyCharges-']=churn_var['MonthlyCharges']
df['TotalCharges-']=churn_var['TotalCharges']
print('kf_var的卡方检验结果如下:','\n')
KF('MonthlyCharges-')
KF('TotalCharges-')
【输出】
kf_var的卡方检验结果如下:
Churn by MonthlyCharges 的卡方临界值是0.00，小于0.05，表明MonthlyCharges组间有显著性差异,可进行【交叉分析】
Churn by TotalCharges 的卡方临界值是0.00，小于0.05，表明TotalCharges组间有显著性差异,可进行【交叉分析】
- 交叉分析
for i in ['MonthlyCharges','TotalCharges']:
print('................Churn BY {}...............'.format(i))
print(pd.crosstab(df['Churn'],df[i],normalize=0),'\n')
【输出】
18.25=<churn_var[‘MonthlyCharges’]<=35.5,标记 “1”
35.5<churn_var[‘MonthlyCharges’]<=70.35,标记 “2”
70.35<churn_var[‘MonthlyCharges’]<=89.85,标记 “3”
89.85=<churn_varf[‘MonthlyCharges’]<=118.75，标记“4”
【分析】
月付费70.35–118.75元的用户更容易流失
18=<churn_var[‘TotalCharges’]<=402,标记 “1”
402<churn_var[‘TotalCharges’]<=1397,标记 “2”
1397<churn_var[‘TotalCharges’]<=3786,标记 “3”
3786<churn_var[‘TotalCharges’]<=8684,标记 “4”
【分析】
总付费18–1397元的用户更容易流失
基于"MonthlyCharges"和“TotalCharges”画四分图：
求两个维度的均值
print('MonthlyCharges的均值是{:.2f},TotalCharges的均值是{:.2f}'.format(df['MonthlyCharges'].mean(),df['TotalCharges'].mean()))
流失客户四分图：
df_1=df[df['Churn']==1]
df_0=df[df['Churn']==0]
plt.figure(figsize=(10,10))
sns.scatterplot('MonthlyCharges','TotalCharges',hue='Churn', palette=plt.cm.RdYlBu,data=df_1)
plt.axhline(y=df['TotalCharges'].mean(),ls="-",c="k")
plt.axvline(x=df['MonthlyCharges'].mean(),ls="-",c="green")
【输出】
【分析】
四分图的右下区域，流失客户比较集中，即总费用在2281.92元以下，月费用在64.76元以上的客户比较容易流失。
留存客户四分图
plt.figure(figsize=(10,10))
sns.scatterplot('MonthlyCharges','TotalCharges',hue='Churn', palette=plt.cm.RdYlBu_r,data=df_0)
plt.axhline(y=df['TotalCharges'].mean(),ls="-",c="k")
plt.axvline(x=df['MonthlyCharges'].mean(),ls="-",c="green")
【输出】
【结论】
综合“ 统计分析” 和 “XGB算法输出特征重要性” 得出流失客户有以下特征（依特征重要性从大到小排列）：
- tenure：1-5号职位的用户比较容易流失
- PaymentMethod：使用“电子支票”支付的人
- MonthlyCharges 、TotalCharges:总费用在2281.92元以下，月费用在64.76元以上的客户比较容易流失
- PaperlessBilling:开通电子账单
- Partner:单身
- OnlineBackup:没开通“在线备份业务”
- InternetService：开通了 “Fiber optic 光纤网络”
- TechSupport：没开通“技术支持服务”
- DeviceProtection：没开通通了“设备保护业务
- OnlineSecurity：没开通“网络安全服务”
- Contract：“按月”签订合同方式
- Dependents：无经济独立
- SeniorCitizen ：青年人
- TotalCharges：总费用在2281.92元以下，月费用在64.76元以上的客户比较容易流失
转载https://blog.csdn.net/u014337370/article/details/106487946/
总结：此文章对机器学习建模流程有一个清晰解读，建议大家学习。从细节角度看，很多微观地方处理过于机械，针对不同算法有不同处理方法，大家不要生硬模仿。欢迎同学关注《python金融风控评分卡模型和数据分析(加强版)》学习专业建模知识。
5320
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
