第五届泰迪杯数据分析赛B题银行客户忠诚度分析一等奖思路及代码分享

最新推荐文章于 2023-11-24 23:11:19 发布

你不能熬夜了

最新推荐文章于 2023-11-24 23:11:19 发布

阅读量2.3k

点赞数 12

文章标签： python 大数据 github

本文链接：https://blog.csdn.net/qq_61851083/article/details/131713077

版权

1.2.1根据题目所给示例对各项指标值进行编码，给出具体编码要求如下：

前言

大二上第一次参加本次比赛原本抱着拿下A题直接下班，结果~这个A题解决的有点慢来不及了，所以只能开肝B题~也很幸运团队齐心协力拿下了一等奖

任务1 数据探索与清洗

任务1.1 数据探索与预处理

这是个比较简单的问题：数据预处理。简单的缺失值、重复值、异常值处理

1.1.1缺失值、重复值处理：

Data_short = pd.read_csv("short-customer-data.csv")
#丢弃缺失值 dropna()删除缺失值所在行(axis=0)或列(axis=1) 默认为 axis=0
Data_short = Data_short.dropna()
#去重
Data_short.drop_duplicates(subset=['user_id'],keep='first',inplace=True)
Data_short.to_excel("result1_1.xlsx",index=None)

最终去除行数据12716条，删除重复行数据33条，最后剩下30445行数据

1.1.2异常值处理：

Data_long = Data_long[~Data_long['Age'].isin(['-1'])]
Data_long = Data_long[~Data_long['Age'].isin(['0'])]
Data_long = Data_long[~Data_long['Age'].isin(['-'])]
Data_long['Age'].replace('\s+','',regex=True,inplace=True)
Data_long['Age'].replace(regex=True,inplace=True,to_replace=r'岁',value=r'')
Data_long['Age'] = Data_long['Age'].astype(int)
Data_long.to_excel("result1_2.xlsx",index=None)
最终去除存在数值为-1、0 和“0”的异常值行数据

最终剩下9198行数据

任务1.2 特征编码

1.2.1根据题目所给示例对各项指标值进行编码，给出具体编码要求如下：

指标

编码

Unemoloyed

Technician

Admin

Single

Married

Divorced

Illiterate

Junior college

High school

Undergraduate

使用repalce()方法将原数据中的字符数据用以上编码进行替换

Data_short = pd.read_excel("result1_1.xlsx")
Data_short['job'].replace(regex=True,inplace=True,to_replace=r'unemployed',value=r'0')
Data_short['marital'].replace(regex=True,inplace=True,to_replace=r'single',value=r'0')
Data_short['default'].replace(regex=True,inplace=True,to_replace=r'no',value=r'0')

得到表的数据部分展示：

任务2 产品营销数据可视化分析

基本的绘图能力~在此省略咯

需要详细代码可以去我的Github上查看~

任务3 客户流失因素可视化分析

同样也是基本的绘图能力，也包含了一定的数据处理考验如任务3.4

需要详细代码可以去我的github上查看~

任务4 特征构建

对选手一定的数据处理能力要求

任务5 银行客户长期忠诚度预测建模

这是比较关键也是一个比较困难的任务，上面四项浪费的是时间，任务5需要振作数据分析的方法

选取相关特征（适当的构建）它说可以参照任务4，那咱就不搞复杂的参照任务4呗~给出选取依据！

我采用了随机森林分类模型来进行预测

1、对测试集进行按照任务3.4的模式对其进行对账号户龄（Tenure）和客户金融资产（Balance）进行划分，并分别进行特征编码作为新的客户特征，使用Python进行编码将其保存到“result_test.xlsx”中

2、再按照任务4的模式使用Python进行特征构建，得到新老客户活跃程度的特征、不同金融资产客户活跃程度的特征、不同金融资产信用卡持有状态的特征，将其存储到“result_test处理.xlsx”中

3、模型建立原理：一个样本容量为的样本，有放回的抽取次，每次抽取1个，最终形成了个样本。这选择好了的个样本用来训练一个决策树，作为决策树根节点处的样本。当每个样本有个属性时，在决策树的每个节点需要分裂时，随机从这个属性中选取出个属性，满足条件。然后从这个属性中采用某种策略（比如说信息增益）来选择1个属性作为该节点的分裂属性。决策树形成过程中每个节点都要按照步骤2来分裂。

下面是预测结果

更关键是对模型的评估也是误差分析，可行性分析构建混淆矩阵

随机森林分类模型预测步骤：

1、对训练集“result4.xlsx”和测试集“result_test处理.xlsx”进行拼接保存得到“YC.xls”文件。

2、运用SPSSPRO的随机森林分类进行预测得到预测结果。

3、将预测结果进行整合，与“result_test处理.xlsx”联系保存放入“result5.xlsx”中。

测试数据预测评估部分结果如下所示：

预测结果Y	Exited	预测结果概率_0.0	预测结果概率_1.0	IsActiveStatus	IsActiveAssetStage	CrCardAssetStage	Age
0	0	0.9106697025634223	0.0893302974365775	1	0	0	34
0	0	0.7328094813950821	0.2671905186049182	3	6	6	56
0	1	0.6243078246600751	0.37569217533992494	1	2	9	43
0	0	0.7850127338142185	0.21498726618578134	0	2	9	38
1	1	0.4029040475830763	0.5970959524169238	2	1	7	50
0	0	0.5590212174768847	0.44097878252311523	5	8	2	47
0	0	0.8321741558755249	0.16782584412447504	0	2	9	34
1	0	0.44325271844804326	0.5567472815519569	2	2	9	46
0	1	0.7430377360199014	0.2569622639800987	0	2	2	40
0	0	0.7149957939256096	0.28500420607439053	2	1	2	42
0	0	0.8699273534296157	0.1300726465703847	3	8	9	37
0	0	0.7808444433292575	0.21915555667074205	4	8	9	42
0	0	0.8967023885177757	0.10329761148222437	5	8	9	74
0	0	0.8910305935283059	0.10896940647169417	4	8	9	36
0	1	0.8787306609708248	0.12126933902917511	3	7	7