uni开发中可以用table标签么_案例：用RFM模型划分为八类价值用户（python_023)

数据还是前文中的数据，这次换一种方式来打标签，通过pandas的pivot_table(数据透视表）方法，结合自定义函数的方式来直接整理RFM模型数据，将用户划分为8个类别。

一、数据概况

• 特征变量数：4个。用户ID、订单日期、订单ID、订单金额
• 数据记录数：86135
• 是否有NA值：有
• 是否有异常值：有

• USERID: 用户ID，每个用户的ID唯一，由纯数字组成
• ORDERDATE: 订单日期，格式为YYYY/MM/DD
• ORDERID: 订单ID，每个订单的ID唯一，由纯数字组成
• AMOUNTINFO: 订单金额，浮点型数据

数据下载链接:https://pan.baidu.com/s/1EQODFE3Y96hEcCfmzUezgw 密码:rz4r

二、用RFM模型将用户分成8类，并打标签

经过上文（萧萧：案例：用python实现RFM用户价值度分层（python022)）中的数据预处理：删除空值、去掉极小值、数据变换后，得到sales_data，如下：

接着，通过pandas的pivot_table(数据透视表）方法来直接整理RFM模型数据。

#数值转换
df = sales_data.reset_index().copy()
df['month'] = df['ORDERDATE'].astype('datetime64[M]')

# 用数据透视表提取rfm
rfm = df.pivot_table(index=['month','USERID'],
                    values=['Amount','ORDERDATE','Orders'],
                    aggfunc={'ORDERDATE':'max',
                            'Amount':'sum',
                            'Orders':'sum'})

# 将最近一次消费时间转换成“距今长度”（本例用最后一个消费记录时间）
rfm['R'] = (rfm.ORDERDATE.max()-rfm.ORDERDATE).dt.days

#重命名列名
rfm.rename(columns={'Amount':'M','Orders':'F'},inplace=True)
rfm.head()

先求R,F,M与平均值的差，将>1的数据负值为‘1’，<=1赋值为‘0’。这个过程分别将三个维度的数据人工地分为两部分。接着将RFM三个值组合拼接，得到8个数值：111、011、101、110、001、010、100、000；再将8个数值赋值为8类标签。按照金额大小负值为一般客户与重要客户；按照消费频率和消费次数区分为价值客户、保持客户、发展客户和挽留客户。

# 求R、F、M与平均值的差
#rfm[['R','F','M']].apply(lambda x:x-x.mean())

# 对用户分类，设置标签
def rfm_func(x):
    level = x.apply(lambda x: "1" if x >= 1 else '0')
    label = level.R + level.F + level.M
    d = {
        '111':'重要价值客户',
        '011':'重要保持客户',
        '101':'重要发展客户',
        '001':'重要挽留客户',
        '110':'一般价值客户',
        '010':'一般保持客户',
        '100':'一般发展客户',
        '000':'一般挽留客户'
    }
    result = d[label]
    return result

rfm['label'] = rfm[['R','F','M']].apply(lambda x:x-x.mean()).apply(rfm_func,axis=1)
rfm.groupby('label').count()

三、可视化

rfm.label.value_counts().plot.bar(figsize=(10,4))
plt.xticks(rotation=0)

再这八类用户中，重要挽留客户、一般挽留客户、重要价值客户可一般价值客户需要重点关注，是运营和营销活动的主要对象。