广告效果聚类分析（KMeans）

前段时间做了一个项目，该客户是来自教育行业，其主要的宣传获客手段就是在各个渠道投放广告，用广告将用户引流至网站。

但是广告的渠道非常多，哪些渠道效果很好，哪些效果不好。需要对广告效果分析针对性做广告效果测量和优化工作。我就想到之前学到的KMeans聚类分析广告的方法，在这里整理出来方法思路。供日后参考。

import numpy as np
import pandas as pd
from sklearn.feature_extraction import DictVectorizer  # 字符串分类转整数分类库
from sklearn.preprocessing import MinMaxScaler # MinMaxScaler库
from sklearn.cluster import KMeans   # KMeans 模块
from sklearn import metrics   # 效果评估模块
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(context='notebook',font='simhei',style='whitegrid') 
%matplotlib inline

data = pd.read_csv('./ad_data.txt',delimiter='\t')
data.head(3)

	渠道代号	日均UV	平均注册率	平均搜索量	访问深度	平均停留时间	订单转化率	投放总时间	素材类型	广告类型	合作方式	广告尺寸	广告卖点
0	A203	3.69	0.0071	0.0214	2.3071	419.77	0.0258	20.0	jpg	banner	roi	140*40	打折
1	A387	178.70	0.0040	0.0324	2.0489	157.94	0.0030	19.0	jpg	banner	cpc	140*40	满减
2	A388	91.77	0.0022	0.0530	1.8771	357.93	0.0026	4.0	jpg	banner	cpc	140*40	满减

数据审查

data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 889 entries, 0 to 888
Data columns (total 13 columns):
渠道代号      889 non-null object
日均UV      889 non-null float64
平均注册率     889 non-null float64
平均搜索量     889 non-null float64
访问深度      889 non-null float64
平均停留时间    887 non-null float64
订单转化率     889 non-null float64
投放总时间     889 non-null float64
素材类型      889 non-null object
广告类型      889 non-null object
合作方式      889 non-null object
广告尺寸      889 non-null object
广告卖点      889 non-null object
dtypes: float64(7), object(6)
memory usage: 90.4+ KB

从上可以看出各个字段的数据类型，并发现字段“平均停留时间”有两个缺失值。
对于有些数据缺失较多，不容易看出来，可以这样统计：

# 这样用表格形式展示每个字段有多少缺失值
pd.DataFrame(data.isnull().sum(),columns=["num"]).T

	渠道代号	日均UV	平均注册率	平均搜索量	访问深度	平均停留时间	订单转化率	投放总时间	素材类型	广告类型	合作方式	广告尺寸	广告卖点
num	0	0	0	0	0	2	0	0	0	0	0	0	0

# 缺失值用字段均值代替
data_2  = data.fillna(data["平均停留时间"].mean())

# 描述性统计

data_2.describe().round(3)

	日均UV	平均注册率	平均搜索量	访问深度	平均停留时间	订单转化率	投放总时间
count	889.000	889.000	889.000	889.000	889.000	889.000	889.000
mean	540.847	0.001	0.030	2.167	262.669	0.003	16.053
std	1634.410	0.003	0.106	3.801	224.112	0.012	8.509
min	0.060	0.000	0.000	1.000	1.640	0.000	1.000
25%	6.180	0.000	0.001	1.392	126.200	0.000	9.000
50%	114.180	0.000	0.003	1.793	236.660	0.000	16.000
75%	466.870	0.001	0.012	2.216	357.930	0.002	24.000
max	25294.770	0.039	1.037	98.980	4450.830	0.216	30.000

从描述性统计我们可以看到

1. UV的数据波动很大，说明不同渠道差