python astype()_Python|用户价值分析，构建RFM模型

一、RFM

1、 RFM模型是众多客户关系管理（CRM）分析方法中的一种，能够方便快速有效的量化用户价值和创利能力。

2、RFM模型有三个要素，分别是：Recency（最近一次交易距今时间）、Frequency（交易频率）、Monetary（交易金额）。

R值（最近一次交易距今时间）

用户最近一次交易距今的时间。间隔时间越短，则值越大，这类客户也是最有可能对活动产生反应的群体。

F值（交易频率）

用户在限定的时间内所购买的次数。最常购买的顾客，也是满意度、忠诚度最高的顾客。

M值（交易金额）

用户的交易金额，可以分为累计交易金额和平均每次交易金额，根据不同的目的取不同的数据源进行建模分析。

3、根据R、F、M的三个值的指标，进行分类，客户分为以下标准的8类

RFM划分的8类客户标准

知识点详解：RFM模型数据源准备只需四个字段：客户名称、交易日期、交易次数/频率、交易金额。

二、Python建立RFM模型

知识点详解：Python建立RFM模型流程？ 1、加载数据 2、数据清洗
1）列名重命名
2）删除重复值
3）缺失值处理
4）一致化处理
5）异常值处理
6）选择子集/关键字段提取 3、构建模型
1）关键字段构造
2）维度打分
3）分值计算
4）客户分层 4、RFM模型结果分析
1）查看各类用户占比情况
2）不同类型用户总消费金额贡献占比情况

1、加载数据

①加载处理数据所需要的库

#1加载数据处理所需要的的库

②读取数据文件

知识点详解：Python|os.chdir()
os.chdir() 将当前工作目录切换到指定的路径。
详细请看：

Python|os.chdir()​zhuanlan.zhihu.com

知识点详解：如何利用python查看Excel文件？
df=pd.read_excel('excel文件名.xlsx')
df

#将当前的工作目录切换到指定目录（C:Users14861Desktop项目经验RFM模型RFM数据源）

2、数据清洗

1）列名重命名

数据字段名本身已经便于理解，因此，不需要重命名。

2）删除重复值

本数据没有重复值，因此不需要进行删除重复值操作。

3）缺失值处理

缺失值定位

#接着再观察数据的类型和缺失情况：

订单一共28833行，没有任何缺失值。

因此不需要进行缺失值处理。

4）一致化处理

根据以上操作了解到数据源数据类型：付款日期：时间格式；实付金额、邮费和购买数量：数值型；其他均为字符串类型。

因此不需要进行一致化处理

5）异常值处理

①查看订单状态

#查看订单状态有哪些？

订单只有这两种状态，其中退款订单对于我们模型价值不大，需要在后续清洗中剔除。

②删除订单状态中：付款以后用户退款成功，交易自动关闭的数据。

#删除退款

print

6）选择子集/关键字段提取

构建RFM模型只需四个字段：客户名称、交易日期、交易次数/频率、交易金额。

在数据中对应的只需要买家昵称、付款日期、购买数量、实付金额等字段；

df

3、构建模型

1）关键字段构造

①R值

即每个用户最后一次购买时间距今多少天。

如果用户只下单过一次，用现在的日期减去付款日期即可；若是用户多次下单，需先筛选出这个用户最后一次付款的时间，再用今天减去它。

#筛选用户最后一次付款时间

#计算最后一次付款时间距今（2019-7-1：订单数据是2019-7-1生成的，即把这是时间当做是今天）多少天了？

②F值

每个用户累计购买频次。

把单个用户一天内多次下单行为看作整体一次。

因此，引入一个精确到天的日期标签，依照“买家昵称”和“日期标签”进行分组，把每个用户一天内的多次下单行为合并，再统计购买次数：

#引入日期标签辅助列

③M值

用户的交易金额，可以分为累计交易金额和平均每次交易金额，根据不同的目的取不同的数据源进行建模分析。

这里选取用户平均支付金额。

用户平均支付金额=用户累计支付金额/购买频次

#计算累计支付金额

④合并三个指标

rfm=pd.merge(r,com_m,left_on='买家昵称',right_on='买家昵称',how='inner')
rfm=rfm[['买家昵称','R','F','M']]
rfm.head()

2）维度打分

R值根据行业经验，设置为30天一个跨度，区间左闭右开：

F值和购买频次挂钩，每多一次购买，分值就多加一分：

M值做个简单的区间统计，然后分组，这里我们按照50元的一个区间来进行划分：

3）分值计算（pandas）

①计算R的分值

rfm

②计算F的分值

rfm

③计算M的分值

rfm['M-SCORE']=pd.cut(rfm['M'],bins=[0,50,100,150,200,1000000],labels=[1,2,3,4,5],right=False).astype(float)
rfm.head()

④判断R、F、M的每个分值是否大于平均值？

rfm['R是否大于均值']=(rfm['R-SCORE']>rfm['R-SCORE'].mean())*1
rfm['F是否大于均值']=(rfm['F-SCORE']>rfm['F-SCORE'].mean())*1
rfm['M是否大于均值']=(rfm['M-SCORE']>rfm['M-SCORE'].mean())*1
rfm.head()
#Python中判断后返回的结果是True和False，对应着数值1和0，只要把这个布尔结果乘上1，
# True就变成了1，False变成了0。

4）客户分层

①人群数值

#先引入一个人群数值的辅助列，把之前判断的RFM是否大于均值的三个值给串联起来：
rfm['人群数值']=(rfm['R是否大于均值']*100)+(rfm['F是否大于均值']*10)+(rfm['M是否大于均值']*1)
rfm.head()

人群数值的理解：0代表流失客户；1代表高消费唤回客户；101代表频次深耕客户。

②人群标签

#为了得到最终人群标签，再定义一个判断函数，通过判断人群数值的值，来返回对应的分类标签：

4、RFM模型结果分析

1）查看各类用户占比情况

#查看各类用户占比情况：

2）不同类型用户总消费金额贡献占比情况

#不同类型用户总消费金额贡献占比情况