本文链接：https://blog.csdn.net/weixin_43486940/article/details/123323029

系列文章

一、项目简介

1.1 内容简介

本文主要介绍如何使用python搭建一个：基于Django的用户画像可视化系统。

本项目分为2部分：

1、RFM模型构建，用户画像数据输出。
2、网站搭建，提供用户画像查阅功能。

1.2 电信运营商的三个典型数据集

1、通话数据
2、短信数据
3、手机上网数据

基于这三个数据集，结合RFM模型，构建用户标签体系
给每个用户打上标签，对用户进行画像
画像后的数据可以用于推荐、精准营销、客群分析等

博主也参考过机器学习模型的文章，但大多是理论大于方法。很多同学肯定对原理不需要过多了解，只需要搭建出一个可视化系统即可。

也正是因为我发现网上大多的帖子只是针对原理进行介绍，功能实现的相对很少。

如果您有以上想法，那就找对地方了！

不多废话，直接进入正题！

二、可视化展示界面

本项目最终展示界面是基于Django构建的网站，下面就介绍一下画像展示界面。

1.搜索界面

本项目需要对应的用户手机号搜索对应的移动用户画像，在搜索过程中也进行了校验如输入的文本格式不符合手机号，将直接提示错误。
输入错误提示：

2.用户画像展示界面

输入了正确手机号后，会根据搜索用户展示用户的画像
用户：19900000383

用户画像1

用户：19900035430

三、背景介绍

以客户为中心目标是了解不同客户群体的需求，并向他们提供满足其个性化需求的服务——提供了更多附加值，与此同时也获得高于平均的客户价值。随着电信业产品同质化的趋势越来越明显，企业成功不能再单纯依靠创新产品和产品价格取胜。倾听客户呼声和需求、对不断变化的客户期望迅速作出反应的以客户为中心运营能力——已经成为当今企业能否成功的关键。

市场环境、运营重心和管控模式的转变，要求客户运营更具灵敏性、高效性，以客户洞察为核心的客户经营中心系统实现了“客户-产品”的双向自动匹配，支撑CRM、电子渠道等精准营销策略和客户需求信息的实时信息推送，培养了业务人员客户洞察能力。

四、模型构建思路

1.用户画像主流分析方法

1、历史趋势分析，分析对应客户数的历史变化情况
2、构成分析，按照品牌、地市、VIP等级等维度，分析对应客户数的构成情况
3、关联分析，分析主体与不同标签之间的关联程度
4、对比分析，分析主体与不同标签之间的对比情况

2.本项目分析方法

本实验的第一个步骤：基于通话数据生成RFM模型数据，输出每个客户在每个标签上的RFM标签值，这是一个中间结果集，用于计算最终的标签。

R：最近一次通话时间与统计月末的距离天数
F：通话次数
M：通话时长

最终数据结果示例如下：

手机号码	标签	R值	F值	M值
138*	旅游	1	0	0
138*	美食	0	1	0
138*	健身	1	1	0
131*	旅游	1	0	1
131*	美食	0	1	0
134*	旅游	0	1	1

五、代码介绍

由于代码众多，博客中就不放入最终代码了，有需要的童鞋可以在【代码下载地址】下载所有代码。

1.数据介绍

我们的数据分为2部分，大概思路就是通过找到移动号码拨打的各行业的固定电话，最终收敛形成移动号码画像。重要申明：因电话信息涉及用户个人敏感信息，本文所述所有数据均经过脱敏处理！

1.固定电话清单以及其行业分类：

2.移动电话用户，及其呼叫清单：

2.数据预处理

需要将两种数据进行合并，合并成一个数据表后才能继续操作

data_tele = data_tele_tag.merge(data_tele_detail,left_on="desc_num",right_on='desc_num')

处理完后数据情况：
需要计算离月底最近的一次通话，所以需要进行日期的计算

data_tele["last_date"] = pd.to_datetime(data_tele.last_date,format='%Y-%m-%d')
data_tele["last_date_day"] = data_tele.last_date.dt.day
data_tele["diff_date"] = (31 - data_tele["last_date_day"]).astype('int')

完成数据预处理后数据情况：

3.电话数据RFM数据制作

分别计算不同电话、不同标签的最近一次通话、通话总次数以及通话总时长

def make_rfm(x):
    def get_format_rfm(xx):
        temp_date = xx.nsmallest(1,'diff_date')['diff_date'].iloc[0]
        temp_count = xx['count'].sum()
        temp_duration = xx["duration"].sum()
        tem_series = pd.Series([temp_date,temp_count,temp_duration],index=['last_date','count','duration'])
        return tem_series
    return x.groupby('tag').apply(get_format_rfm)
data_tele_rfm = data_tele.groupby("tele_num").apply(make_rfm)
data_tele_rfm = data_tele_rfm.reset_index()
# 保存
data_tele_rfm.to_csv("data/tele数据rfm数据表.csv",encoding='utf-8-sig',index=False)

4.短信数据RFM数据制作

具体制作流程和电话数据是一致的，只是需要加载不同的数据集

#不同sms不同电话标签的RFM值的提取
def make_rfm_sms(x):
    def get_format_rfm_sms(xx):
        temp_date = xx.nsmallest(1,'diff_date')['diff_date'].iloc[0]
        temp_count = xx['count'].sum()
        temp_duration = xx['count'].sum()
        tem_series = pd.Series([temp_date,temp_count,temp_duration],index=['last_date','count','duration'])
        return tem_series
    return x.groupby('tag').apply(get_format_rfm_sms)
data_sms_rfm = data_sms.groupby("tele_num").apply(make_rfm_sms)
data_sms_rfm = data_sms_rfm.reset_index()
# 保存
data_sms_rfm.to_csv("data/短信数据rfm数据表.csv",encoding='utf-8-sig',index=False)

5.APP数据RFM数据制作

具体制作流程和电话数据是一致的，只是需要加载不同的数据集

#不同app不同标签，的RFM值的提取
def make_rfm_app(x):
    def get_format_rfm_app(xx):
        temp_date = xx.nsmallest(1,'diff_date')['diff_date'].iloc[0]
        temp_count = xx['count'].sum()
        temp_duration = xx['count'].sum()
        tem_series = pd.Series([temp_date,temp_count,temp_duration],index=['last_date','count','duration'])
        return tem_series
    return x.groupby('tag').apply(get_format_rfm_app)
data_app_rfm = data_app.groupby("tele_num").apply(make_rfm_app)
data_app_rfm = data_app_rfm.reset_index()
# 保存
data_app_rfm.to_csv("data/app数据rfm数据表.csv",encoding='utf-8-sig',index=False)
# 此次运行耗时较长，可以直接执行加载数据集的方法，此数据集是上述代码执行的结果

6.数据归一化，最终数据合并，生成标签

最终要生成one-hot矩阵，进行标签确认的前提就是rfm值中超过两个存在，或者flag_duration这个值是1就贴上标签

#对合并后的表中每个用户在每个标签类别的RFM求和
data_numbers = data_total.groupby(["tele_num",'tag']).sum().reset_index()
#求和后大于0的标为1
columns_names = ['flag_days','flag_count','flag_duration']
for name in columns_names:
    data_numbers[name] = data_numbers[name].apply(lambda x: 1 if x>0 else 0)

#通过2个条件过滤无价值用户，只保留RFM中3个值的和为2以上的以及M值为1的有价值用户
data_numbers['condition1'] = data_numbers['flag_days']+data_numbers['flag_count']+data_numbers['flag_duration']
data_numbers['condition2'] = data_numbers['flag_duration'].apply(lambda x:1 if x==0 else 0)
data_result_pre = data_numbers[(data_numbers['condition1']>1) | (data_numbers['condition2']==1)]

#添加所有标签对应的列
tags = data_result_pre.tag.value_counts().index
for tag_ in tags:
    data_result_pre[tag_] = data_result_pre['tag'].apply(lambda x:1 if x==tag_ else 0)
#删除无用列
x=[2,3,4,5,6]
data_result_pre.drop(data_result_pre.columns[x], axis=1, inplace=True)
#合并每个用户的标签
data_numbers1 = data_result_pre.groupby(["tele_num"]).sum().reset_index()
data_numbers1.head(20)

最终数据效果如前文所展示的：

7.展示界面

完成上述用户画像模型构建后就是页面展示，本项目采用了Django进行展示。
用户验证与输入检测：

def get_ans(request):
    text = request.POST["input_text"]
    print("获取的号码：", text)
    if text is "":
        context = {
            "state": "1",
            "text": "输入的内容为空，请重新输入想要查询的号码！"
        }
        return render(request, 'error.html', context)
    else:
        if is_number(text):
            context = user_get(int(text))
            if context == {}:
                context = {
                    "state": "3",
                    "text": "查询的号码不存在，请输入正确的号码！"
                }
                return render(request, 'error.html', context)
            else:
                return render(request, 'user_class.html', context)
        else:
            context = {
                "state": "2",
                "text": "输入的内容包含其他字符，请输入正确的号码！"
            }
            return render(request, 'error.html', context)


# 输入检测
def is_number(s):
    try:
        float(s)
        return True
    except ValueError:
        pass
    try:
        import unicodedata
        unicodedata.numeric(s)
        return True
    except (TypeError, ValueError):
        pass
    return False