【数据分析】基于Pandas的RFM客户分层实战：Python代码全解析

云天徽上

已于 2025-04-16 15:36:03 修改

阅读量1.2k

点赞数 22

分类专栏：数据分析文章标签：数据分析 pandas python

于 2025-03-18 11:19:31 首次发布

本文链接：https://blog.csdn.net/qq_38614074/article/details/146336645

版权

数据分析专栏收录该内容

2 篇文章

订阅专栏

🧑 博主简介：曾任某智慧城市类企业算法总监，目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。CSDN人工智能领域的优质创作者，提供AI相关的技术咨询、项目开发和个性化解决方案等服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：xf982831907）

💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

在这里插入图片描述

一、RFM模型核心原理

RFM模型是电商领域客户价值分析的黄金工具，通过三个关键维度量化用户价值：

R（Recency）：最近消费时间（天） → 留存敏感度
F（Frequency）：消费频率（次） → 忠诚度
M（Monetary）：消费金额（元） → 贡献价值

在电商领域，RFM模型可帮助企业了解客户的购买行为和购买偏好，从而识别高价值客户、潜在回头客或低活跃度用户。这有助于电商企业定制个性化的营销策略。

本案例基于某电商平台3个月订单数据，使用Python演示完整的RFM分析流程。完整代码见文末Github链接。

二、数据准备与清洗

2.1 导入数据

import pandas as pd
import numpy as np

df = pd.read_csv( '用户下单数据.csv') 
df.head()

2.2 数据探索和清洗

# 查看数据情况  
df.shape

# 查看数据具体情况
df.info()

# 查看数据缺失值情况
df.isnall().su()

在这里插入图片描述

查看数据类型发现下单时间的数据类型是object，需要将其转化为日期类型，然后，根据交易日期，计算出每次交易距今的间隔天数。

三、核心指标计算

3.1 时间数据清洗

df['下单时间'] = pd.to_datetime(df['下单时间'],format='%Y/%m/%d')
# 假设2023-06-05是计算当天，求交易日期至计算当天的距离天数  
df['间隔天数'] = pd.to_datetime('2023-06-05') - df['下单时间']

df['间隔天数'] = df['间隔天数'].dt.days
df.head()

3.2 计算R/F/M值

R = df.groupby(by=['用户ID'],as_index=False)['间隔天数'].agg('min')

F = df.groupby(by=['用户ID'],as_index=False)['订单ID'].agg('count')

M = df.groupby(by=['用户ID'],as_index=False)['交易金额'].agg('sum')

# 将R、F、M三个数据框连接起来 
RFM_df = R.merge(F).merge(M)

# 修改列名  
RFM_df.columns = ['用户ID', 'R', 'F', 'M']
RFM_df.head()

3.3 指标分箱打分

RFM_df.loc[RFM_df['R'] >= RFM_df.R.mean(), 'R_S'] = 1
RFM_df.loc[RFM_df['R'] < RFM_df.R.mean(), 'R_S'] = 2
  
RFM_df.loc[RFM_df['F'] <= RFM_df.F.mean(), 'F_S'] = 1  
RFM_df.loc[RFM_df['F'] > RFM_df.F.mean(), 'F_S'] = 2  

RFM_df.loc[RFM_df['M'] <= RFM_df.M.mean(), 'M_S'] = 1  
RFM_df.loc[RFM_df['M'] > RFM_df.M.mean(), 'M_S'] = 2
RFM_df.head()

3.4 生成RFM综合标签

# 生成RFM综合标签
RFM_df['RFM'] = 100*RFM_df.R_S+10*RFM_df.F_S+1*RFM_df.M_S
RFM_df.head()

四、客户分层与可视化

4.1 客户分层规则

CT = pd.DataFrame(data={'RFM': [111,112,121,122,211,212,221,222],
                                  'Type': ['潜在客户','重点挽留客户','一般保持客户','重点保持客户',
                                           '一般发展客户','重点发展客户','一般价值客户','高价值客户'] } )

# 数据合并
RFM_df = RFM_df.merge(CT)
RFM_df.head()

4.2 可视化分析

plt.rcParams["font.sans-serif"] = 'Microsoft YaHei' #解决中文乱码问题
 
RFM_res=RFM_df.groupby(by=['Type'])['用户ID'].agg('count').sort_values()

colors=['#FF6666','#777777','#99ccff','#988ed5','#348abd','#99cccc','#66cccc','#6699cc']#柱子颜色用RGB元组 

RFM_res.plot(kind='barh',color=colors,title='RFM客户分层',figsize=(9, 6))