3、数据分析--聚类项目分析

字段	含义	类型
interested_travel	旅行偏好	二分类
computer_owner	是否有家用电脑	二分类
age	估计的年龄	连续
home_value	房产价格	连续
loan_ratio	贷款比率	连续
risk_score	风险分数	连续
marital	婚姻状况估计	连续
interested_sport	运动偏好	连续
HH_grandparent	户主祖父母是否健在估计	连续
HH_dieting	户主节食偏好	连续
HH_head_age	户主年龄	连续
auto_member	驾驶俱乐部估计	连续
interested_golf	高尔夫偏好	二分类
interested_gambling	博彩偏好	二分类
HH_has_children	户主是否有孩子	二分类
HH_adults_num	家庭成年人数量	连续
interested_reading	阅读偏好	有序分类

1、数据集中的变量较多，如果全部进入模型会导致模型解释困难。因此，一方面我们对于有相关性的变量进行降维，减少变量数目；另一方面，基于业务理解，我们预先将变量进行分组，使得同一组的变量能尽量解释业务的一个方面。比如本例中将变量分成三组，分别是家庭基本情况、财务状况和用户爱好，通过对每组变量分别进行聚类，获取用户的侧写，再将三个聚类结果进行综合，以获得较完整的用户画像。

2、本例中数据类型复杂，包含了连续变量、无序分类和有序分类变量。由于K-means最好仅用于连续型变量聚类，因此需要对变量进行预处理。对于有序分类变量，如果分类水平较多可以视作连续变量处理，否则视作无序分类变量一样处理，再进入模型；无序分类变量数目较少时，可以使用其哑变量编码进入模型。本例中由于有较多的二分类变量，又集中在用户爱好这一方面，因此我们将interested_reading这一有序分类变量二值化，再与其他几个二分类变量一起进行汇总，得到用户的“爱好广度”，使用“爱好广度”与其他连续型的爱好类变量进行聚类。

3、离散变量如HH_has_children一般不参与聚类，因为其本身就可以视作是簇的标签；如果为了后期解释模型时简化处理，在离散变量不多的情况之下，也可以做哑变量变换后进入模型。

读取数据

%matplotlib inline
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

travel = pd.read_csv('data_travel.csv',skipinitialspace=True) # skipinitialspace忽略前后空白
travel.head()

	interested_travel	computer_owner	age	home_value	loan_ratio	risk_score	marital	interested_sport	HH_grandparent	HH_dieting	HH_head_age	auto_member	interested_golf	interested_gambling	HH_has_children	HH_adults_num	interested_reading
0	NaN	NaN	64	124035	73	932	3	312	420	149	96	626	0	0	NaN	NaN	0
1	0.0	1.0	69	138574	73	1000	7	241	711	263	68	658	0	0	N	5.0	3
2	0.0	0.0	57	148136	77	688	1	367	240	240	56	354	0	1	N	2.0	1
3	1.0	1.0	80	162532	74	932	7	291	832	197	86	462	1	1	Y	2.0	3
4	1.0	1.0	48	133580	77	987	10	137	121	209	42	423	0	1	Y	3.0	3

所有字段值分别为：旅行偏好，是否有家用电脑，估计年龄，房产价格，贷款比率，风险系数，婚姻状况估计，运动偏好，
户主祖父母是否健在，户主饮食偏好，户主年龄，驾驶俱乐部估计，是否喜欢高尔夫，是否喜欢博彩，是否有孩子，家庭成年人数量，阅读偏好

travel.describe(include='all')# 描述所有列

	interested_travel	computer_owner	age	home_value	loan_ratio	risk_score	marital	interested_sport	HH_grandparent	HH_dieting	HH_head_age	auto_member	interested_golf	interested_gambling	HH_has_children	HH_adults_num	interested_reading
count	149788.000000	149788.000000	167177.000000	167177.000000	167177.000000	167177.000000	167177.000000	167177.000000	167177.000000	167177.000000	167177.000000	167177.000000	167177.000000	167177.000000	159899	145906.000000	167177
unique	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	5
top	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	N	NaN	3
freq	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	111462	NaN	65096
mean	0.427745	0.856571	59.507079	207621.314798	66.762707	817.031751	6.884015	259.431776	377.072498	204.593341	59.368023	486.861273	0.3