数据探索与数据预处理初步概念

数据探索+ 数据预处理

数据探索：
1.统计量分析 ：
1.集中趋势的度量：
1.均值、中位数、众数
2.离散趋势的度量：
极值()
极差
标准差、方差
四分位数间距
2.相关性分析：
通过散点图 获取 相关系数

数据预处理：
补充：
数据透视表 也可以对数据 进行分析 【聚合统计 】
group by +agg
案例：
客户价值分析（用户画像 =》 类似 ）

1.基本理论：
1.RFM模型
2.聚类分析 （机器学习里面的算法 =》 结果 标签）
3.RFM聚类分析

1.RFM模型 =》 获取 RFM
根据用户属性 进行打标签【进行分类 】 =》
超级用户
普通用户
黑户

2.RFM： 【用户的属性】
	R: 最近一次消费 距现在的时长 【时差】 recency
	F：消费频率 frequency
	M：消费金额 mon

eg:
	客户a ：
		R：180  F：1次/月 M：100块/月
	客户b ：
		R：3   F：10次/月 M：1000块/月
	.RFM模型=> 
		b 超级用户 
		a 流式用户
	标准： 
		1.RFM 高 =》 【超级用户 、 重要价值用户】
			【R 表示最近消费时间很近 R值很小】
		2.R低 FM高= 》【保持客户】
		3.RM高 F低 =》 【发展客户】
		4.RF低 M高 =》 【挽留客户】

2.聚类分析【RFM 结果数据】
一个可以分类的工具
2.聚类分析方法：
1.层次聚类法
2.K-均值法（Kmeans）

3.RFM聚类分析
1.RFM 核心指标 进行 聚类分析
2.Kmeans =》 用户 进行分类 =》 4个类别
3.4个类别 基于 RFM 对用户进行标注【对用户进行打标签】

RFM聚类分析 好处？
1.提供决策支持