Python数据分析-顾客是否购买行为预测

一、研究背景

在现代商业环境中，预测客户购买行为已成为企业成功的关键因素之一。通过准确地预测客户是否会购买某种产品或服务，企业可以优化营销策略，提升客户满意度和忠诚度，最终增加销售额和利润。然而，由于客户数据的多样性和复杂性，如何有效地进行预测仍然是一个具有挑战性的问题。

二、研究意义

提升营销效果：通过精准预测客户购买行为，企业可以将营销资源集中于更有可能购买的客户群体，从而提高营销活动的有效性。优化客户关系管理：了解客户的购买倾向。。。

三、实证分析

导入基础工作需要的包已经画图可以显示中文的代码

代码和数据

报告代码数据

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
plt.rcParams['font.sans-serif'] = ['KaiTi']  #中文
plt.rcParams['axes.unicode_minus'] = False   #负号

读取数据并且展示前5行：

train_data.head(5)

后5行也可以看看

查看数据整体形状：

 

可以了解到，数据的基本结构是20252*17。接下来查看一下数据具体类型：

接下来进行描述性统计分析：

可以从中知道，Age（年龄）:数据范围从18到95岁。平均年龄大约为40岁，标准差约为10.6岁，表明年龄分布相对集中。balance（账户余额）:平均余额为1,354.13欧元，但标准差很大，为3,014.30欧元，这表明账户余额分布的差异性很大。最小余额为-8,019欧元，表明有账户是透支状态。最大余额为102,127欧元，显示有些客户的账户余额非常高。。。。。

接下来使用函数可视化缺失值：

import missingno as msno
msno.matrix(train_data)

 

可以发现，还是存在一定的缺失值。后面要进行处理：

miss_ratio=0.3
for col in train_data.columns:
    if  train_data[col].isnull().sum()>train_data.shape[0]*miss_ratio:
        print(col)
        train_data.drop(col,axis=1,inplace=True)

missing_values = train_data.isnull().sum()
missing_values_percentage = (missing_values / len(train_data)) * 100

missing_data = pd.DataFrame({
    'Missing Values': missing_values, 
    'Percentage': missing_values_percentage
})

missing_data[missing_data['Missing Values'] > 0]

再次查看

最终没有缺失值了。

接下来进行特征工程

y=cleaned_data['y']
cleaned_data.drop(['y'],axis=1,inplace=True)

特征可视化：

# 为了确保中文显示正确，我们需要重新设置绘图时使用的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 使用支持中文的字体（这里以SimHei为例）
plt.rcParams['axes.unicode_minus'] = False   # 正确显示负号

# 可视化连续特征
continuous_features = ['age', 'balance', 'day', 'duration', 'campaign', 'pdays', 'previous']

# 设置绘图大小
plt.figure(figsize=(15, 10))

# 为每个连续特征绘制直方图
for i, feature in enumerate(continuous_features):
    plt.subplot(3, 3, i+1)
    sns.histplot(cleaned_data[feature], kde=True)
    plt.title(f'分布：{feature}')
    plt.xlabel(feature)
    plt.ylabel('频率')

plt.tight_layout()
plt.show()

年龄（age）大部分客户年龄集中在30至40岁之间。年龄分布呈现出类似正态分布的形态，略微右偏。账户余额（balance）:大多数客户的账户余额较低。分布呈现出显著的正偏态，有一小部分客户拥有非常高的账户余额。。。。 

可视化分类特征 

工作（job）:最多的类别是管理层（management）和蓝领工人（blue-collar）。学生（student）、未知（unknown）和失业（unemployed）的数量相对较少。教育（education）:拥有中等教育（secondary）的客户数量最多。。。。 

查看响应变量分布

plt.figure(figsize=(6,2),dpi=128)
plt.subplot(1,3,1)
y.plot.box(title='响应变量箱线图')
plt.subplot(1,3,2)
y.plot.hist(title='响应变量直方图')
plt.subplot(1,3,3)
y.plot.kde(title='响应变量核密度图')
#sns.kdeplot(y, color='Red', shade=True)
#plt.savefig('响应变量.png')
plt.tight_layout()
plt.show()

 

箱线图：显示所有的值都非常接近0，只有少量的1值，这表明大多数客户没有购买银行产品。由于数据的不平衡性，箱线图几乎没有显示任何的四分位数信息，这意味着1的值非常稀少。。。

再看一下相关系数矩阵热力图：

 这里是因为我们对一一些分类变量进行独热编码了，所以特征变得很多。

开始机器学习：

划分训练集和验证集

from sklearn.model_selection import train_test_split
X_train,X_val,y_train,y_val=train_test_split(data1,y,test_size=0.2,random_state=0)

我这里选择了3种算法模型，对比他们在验证集的精度，再来进一步选择模型。

from sklearn.naive_bayes import BernoulliNB
model1 = BernoulliNB(alpha=1)
model1.fit(X_train_s, y_train)
model1.score(X_val_s, y_val)

df_eval=pd.DataFrame(columns=['Accuracy','Precision','Recall','F1_score'])
s=classification_report(y_val, pred)
s=evaluation(y_val,pred)
df_eval.loc['BN',:]=list(s)
df_eval

from sklearn.metrics import ConfusionMatrixDisplay
ConfusionMatrixDisplay.from_estimator(model3, X_val_s, y_val,cmap='Blues')
plt.tight_layout()

这个混淆矩阵中，我们可以看到：

模型正确预测未购买（0）的客户数为3480（TN）。

模型错误地将110名实际未购买的客户预测为购买了（FP）。

模型正确预测购买（1）的客户数为203（TP）。

模型将250名实际购买的客户预测为未购买（FN）。

这意味着模型对于未购买的预测相当准确，但对于实际购买的客户，模型则错过了较多（250个假负例）。

ROC曲线远高于对角线（随机猜测线），这表明模型有很好的区分能力。

AUC（Area Under Curve）值为0.91，接近1，这表示模型的整体性能非常好。AUC值越高，模型的预测性能越好。

四、结论

通过对客户数据的分析和多种机器学习模型的对比，本研究最终确定自适应提升模型（AdaBoost）在预测客户购买行为方面表现最佳，准确率达到了91%。具体结论如下：

数据特征的影响：研究发现，客户的年龄、账户余额、最后一次联系的持续时间等特征对客户是否购买有显著影响。这些特征的分析为理解客户购买行为提供了重要依据。

创作不易，希望大家多点赞关注评论！！！（类似代码或报告定制可以私信）