【数据分析实践】客户流失判断--探索性数据分析

数据来源：客户流失判断

赛题理解

1. 任务理解：建分类模型，判断客户是否流失，属于二分类问题
2. 数据
   1). 数据理解：对字段要理解，每个字段有什么用
   2). 赛事提供了train、test_noLabel、samples_noLabel和submit_example这4个csv文件，对这4个文件也要清楚各是什么用；首先train是训练集，test_noLabel是无标签的测试集，submit_example是提交示例，samples_noLabel是无标签示例；起初我在查看4个文件后发现submit_example的ID就是test_noLabel的ID，所以以为测试集可以合并，然后提交的时候用samples_noLabel的预测结果去提交，在建模预测后提交结果发现并没用，提交的所需要的是test_noLabel的预测结果。所以。。为啥子要弄个samples_noLabel没什么用？？？

1.分析思路

• 明确分析目的：
  1.预测哪些用户可能流失
  2.可能流失的客户有哪些特征
• 确定分析思路：
  1.结合给出的数据字段，可以将客户流失大致分为三个维度：客户属性、客户消费行为、服务属性。
  2.首先从单个特征依次分析其与客户流失的关系，然后对特征之间的相关性进一步探索与可视化。
  

2.探索性数据分析

2.1读取数据并查看

包括对数据类型的查看、检查数据集的缺失值情况、空值情况等。

train = pd.read_csv('train.csv')
test = pd.read_csv('test_noLabel.csv')
test_label1 = pd.read_csv('submit_example.csv')   # 这个是提交示例也好像没什么用
# 检查数据集大小
print('各个数据集的维度依次是：train_{},test_{},submission_{}'.format(train.shape,
                                                               test.shape,
                                                               test_label1.shape))
# 输出：各个数据集的维度依次是：train_(5227, 16),test_(1307, 15),submission_(1307, 2)

# 描述性统计
train.describe(include='all')

结论： 该数据集无缺失值也无空值。

接下来对整体数据的正负样例进行查看，发现数据集不是平衡数据集。

用饼图显示客户流失率：

2.2单一特征分析

《精益数据分析》第二章是对指标的介绍，其中指出好的数据指标是比率，仅通过对流失客户与非流失客户关于某个特征的频数计数，不能直接比较二者之间的客户流失率。
这段代码将直方图频数转换为百分比：

def barplot_percentages(df,feature):
    g=df.groupby(by=feature)['Label'].value_counts(1)