项目三：运营商客户流失分析

查平平

于 2024-05-27 09:27:26 发布

阅读量1.6k

点赞数 41

文章标签：大数据数据分析 sql mysql 数据挖掘数据库

本文链接：https://blog.csdn.net/zfyzfw/article/details/139195339

版权

一、项目简介

在竞争激烈的无线服务行业中，保留客户对公司的成功至关重要。与维护现有客户关系相比，获取新客户不仅更困难，而且成本也高得多。在这个代码中，我将预测一家名为Telco的家庭电话和互联网服务提供商的客户保留行为。首先，我将使用探索性数据分析来理解特征与目标变量之间的关系，并识别预测客户流失的关键因素。利用这些特征，我将开发一个预测模型，帮助公司主动降低他们的流失率，并使用模型的洞察力加强他们的客户保留策略。

目标：

基于数值和类别特征，对潜在的流失客户进行分类。
这是一个对不平衡数据集进行的二分类问题。

二、综合信息

数据集属性

customerID：客户ID
gender：客户性别（男性或女性）
SeniorCitizen：客户是否为老年人（1代表是，0代表否）
Partner：客户是否有伴侣（是或否）
Dependents：客户是否有家属（是或否）
tenure：客户与公司合作的月数
PhoneService：客户是否有电话服务（是或否）
MultipleLines：客户是否有多条线路（是、否或无电话服务）
InternetService：客户的互联网服务提供商（DSL、光纤或无）
OnlineSecurity：客户是否有在线安全服务（是、否或无互联网服务）
OnlineBackup：客户是否有在线备份服务（是、否或无互联网服务）
DeviceProtection：客户是否有设备保护服务（是、否或无互联网服务）
TechSupport：客户是否有技术支持（是、否或无互联网服务）
StreamingTV：客户是否有流媒体电视服务（是、否或无互联网服务）
StreamingMovies：客户是否有流媒体电影服务（是、否或无互联网服务）
Contract：客户的合同期限（按月、一年、两年）
PaperlessBilling：客户是否采用无纸化账单（是或否）
PaymentMethod：客户的支付方式（电子支票、邮寄支票、银行转账（自动）、信用卡（自动））
MonthlyCharges：每月向客户收取的费用
TotalCharges：向客户收取的总费用
Churn：客户是否流失（是或否）

代码内容

数据集信息：介绍数据集的来源、大小、特征类型（数值型、类别型）等基本信息。
探索性数据分析（EDA）：对数据进行初步分析，包括数据分布、缺失值处理、异常值检测等，以理解数据的基本情况和潜在问题。
EDA总结：总结探索性数据分析的主要发现，例如特征之间的关系、数据集的不平衡性等。
特征工程：基于EDA的发现，进行特征选择、特征构造、数据转换等操作，以改善模型的性能。
建模：选择合适的机器学习模型进行训练，可能包括模型比较、参数调优等步骤。
结论：总结模型的性能，提出可能的改进方向，并基于模型结果给出业务建议。

你将会学习到

数据可视化：使用图表和图形直观展示数据，帮助理解数据分布和特征间关系。
数据缩放：标准化或归一化数据，以提高某些算法的性能。
特征选择的统计测试：运用统计方法（如卡方检验、ANOVA）评估特征与目标变量的相关性，帮助选择重要特征。
算法的建模及结果可视化：训练机器学习模型并通过图表展示结果，以便评估和比较不同模型的性能。
平衡不平衡数据集：应用过采样、欠采样或合成数据生成技术来处理数据不平衡问题。
模型超参优化：通过参数调整技术找到模型的最优参数。
分类器的堆叠：组合多个模型以提高预测准确率。其中6，7为自行思考部分。1-5后最高AUC为90.36%，加上6-7后为92.66%。

涉及技术

二元分类：描述了处理二元分类问题的方法。包含了对数据集的操作，并通过易于理解的代码解释进行了说明。二元分类是一种常见的机器学习问题，目标是将实例分为两个类别。
时间序列分析：介绍了时间序列分析的基础。时间序列分析涉及对随时间变化的数据序列进行分析，以识别其中的模式、趋势或周期性。包含了对数据集的操作，并提供了易于理解的代码解释。
无监督学习：描述了使用K-Means聚类算法处理无监督学习问题的工作。无监督学习是一种机器学习方法，目的是在没有给定任何显式指导的情况下发现数据中的模式或结构。K-Means是一种流行的聚类算法，用于将数据点分组成若干个簇，使得同一簇内的点相互之间比其他簇的点更相似。

三、数据概况

首先导入需要的模块以及设置一些初始设置

# 导入必要的库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 配置 Matplotlib 和 Pandas，改善图形显示和数据格式
plt.rcParams['figure.figsize'] = [10, 6]  # 设置默认图形大小为10x6英寸
pd.set_option('display.float_format', '{:.2f}'.format)  # 设置数据显示格式，避免使用科学计数法
pd.set_option('display.max_columns', None)  # 显示 DataFrame 的所有列
plt.style.use('ggplot')  # 使用 ggplot 风格，使图形更美观

# 忽略警告信息，使输出更干净
import warnings
warnings.filterwarnings('ignore')

导入数据表

data = pd.read_csv('Telco-Customer-Churn.csv')
data.head()

结果如图所示

读取数据信息：

data.shape
#结果为(7043, 21)
data.columns
#读取数据都列，结果为Index(['customerID', 'gender', 'SeniorCitizen', 'Partner', 'Dependents',
       'tenure', 'PhoneService', 'MultipleLines', 'InternetService',
       'OnlineSecurity', 'OnlineBackup', 'DeviceProtection', 'TechSupport',
       'StreamingTV', 'StreamingMovies', 'Contract', 'PaperlessBilling',
       'PaymentMethod', 'MonthlyCharges', 'TotalCharges', 'Churn'],
      dtype='object')

data.info()#查看字段的类型

结果如下：

类型信息：显示这是一个 <class 'pandas.core.frame.DataFrame'> 类型的对象，意味着这个数据结构由 pandas 库提供，用于存储表格数据。
范围索引（RangeIndex）：7043 entries, 0 to 7042 表示这个 DataFrame 有 7043 行数据，索引（即行号）从 0 到 7042。
列信息（Data columns）：共有 21 列数据，每一列的名称、非空值计数和数据类型都列在了下面的表中。
- 列名称（Column）：列出了所有列的名称，如 customerID, gender, SeniorCitizen 等。
- 非空值计数（Non-Null Count）：每列有多少个非空（non-null）条目，这里每列都是 7043，意味着没有缺失值。
- 数据类型（Dtype）：显示了每列的数据类型，如 object（通常用于表示字符串类型）、int64（64位整数）、float64（64位浮点数）。
  - 其中 object 类型的列有 18 个，通常包含文本或混合类型的数据。
  - int64 类型的列有 2 个，表示存储的是整数。
  - float64 类型的列有 1 个，表示存储的是浮点数，具体到这个例子中，是 MonthlyCharges 列。

其中缺失值检测如下，缺失值有亮色显示，非缺失值由暗色显示

sns.heatmap(data.isnull(),cmap = 'magma',cbar = False);

全是黑的意味着这份数据中基本上没有空值

# Pandas 方法链，用于生成数据框的描述性统计信息，并进行转置（T 表示转置） std是标准差
data.describe().T

data.describe() 是 pandas DataFrame 对象的一个方法，用于生成关于数据集中数值型特征的描述性统计信息。这些统计信息包括：

计数（count）：每个特征的非缺失值数量。
均值（mean）：每个特征的平均值。
标准差（std）：每个特征的标准差，衡量数据的离散程度。
最小值（min）：每个特征的最小值。
25% 分位数（25%）：每个特征的第 25 百分位数，即下四分位数。
中位数（50%）：每个特征的中位数，即第 50 百分位数。
75% 分位数（75%）：每个特征的第 75 百分位数，即上四分位数。
最大值（max）：每个特征的最大值。

这些统计信息可以帮助你更好地了解数据的分布、中心趋势和离散程度，有助于数据探索和分析过程中的决策和判断。

结果如下：

1. 数据集中有太多带有文本数据的特征，这些特征很可能是分类特征！
2. “总费用”是一个包含数值的特征，但是存储为字符串数据类型。首先，我们将把这一列转换成浮点数。

# 计算'TotalCharges'列中每个元素的空格数
l1 = [len(i.split()) for i in data['TotalCharges']]

# 找出所有包含空格（实际上是空字符串或多于一个元素的情况）的索引位置
l2 = [i for i in range(len(l1)) if l1[i] != 1]
print('Index Positions with empty spaces : ', *l2)

# 对于所有发现的有问题的索引，使用前一个索引位置的值进行替换
for i in l2:
    data.loc[i, 'TotalCharges'] = data.loc[(i-1), 'TotalCharges']

# 将'TotalCharges'列转换为浮点数，这里假设经过上述处理后所有值都可以转换
data['TotalCharges'] = data['TotalCharges'].astype(float)

# 删除'customerID'列，因为可能不需要或为了数据处理的简化
data.drop(columns = ['customerID'], inplace = True)

#显示结果为  Index Positions with empty spaces :  488 753 936 1082 1340 3331 3826 4380 5218 6670 6754

这段代码的主要功能是处理 TotalCharges 列中的数据，确保所有值都能够被转换为浮点数（float）。它通过以下步骤实现这一点：

遍历 TotalCharges 列中的每个值。
尝试将每个值转换为浮点数。
- 如果转换成功，该值就直接被更新为其浮点数形式。
- 如果转换失败（通常是因为该值是空字符串或包含非数字字符，导致 ValueError），则会根据其位置采取不同的处理策略：
  - 如果当前值不是位于第一行，它会被替换为其前一个值。
  - 如果当前值位于第一行（即 i=0），由于没有前一个值可用，它会被设置为0或其他定义的默认值。
在所有 TotalCharges 值处理完成后，该列中的所有元素都将被安全转换为浮点数类型，因为所有非数字字符串已经被处理。
最后，代码删除了 customerID 列以简化后续分析。

对文本型数据特征列进行转化：

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()

# 创建数据副本以避免修改原始DataFrame
df1 = data.copy(deep=True)

# 筛选出文本数据特征列（即非数值型特征列）
text_data_features = [i for i in list(data.columns) if i not in list(data.describe().columns)]

print('Label Encoder Transformation')
for i in text_data_features:
    # 对每个文本数据特征列应用LabelEncoder
    df1[i] = le.fit_transform(df1[i])
    print(i, ' : ', df1[i].unique(), ' = ', le.inverse_transform(df1[i].unique()))

结果如下:

1. 创建标签编码器：利用 `LabelEncoder` 对分类特征进行编码。这对于将文本数据转换为模型可处理的数值形式是必需的。

2. 深拷贝数据框架：为了不在原始数据集 `data` 上直接修改，通过深拷贝创建一个新的数据框架 `df1`。

3. 识别分类特征：通过排除那些已经是数值类型的列（即 `data.describe().columns`），找出所有文本（分类）特征。

4. 标签编码转换：遍历每个分类特征，使用 `LabelEncoder` 进行编码，并打印每个特征的唯一编码值及其对应的原始文本值，以便了解编码前后的对应关系。

再次查看df1的数值型数据特征列，可发现文本型转换为数值型转换成功。

df1.describe()

结果如下：

针对的流失客户和未流失客户的描述性统计信息画出了热图，以更直观地分析和对比

# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置字体为SimHei显示中文
plt.rcParams['axes.unicode_minus'] = False  # 解决负数轴标签显示问题

# 更新颜色方案
colors = ["#FF9999", "#66CCFF"]  # 浅粉红和浅蓝色

# 继续使用describe().T获取流失和未流失客户的描述性统计
churn = df1[df1['Churn'] == 1].describe().T
not_churn = df1[df1['Churn'] == 0].describe().T

# 创建子图，采用新的figsize以更好地展示数据
fig, ax = plt.subplots(nrows=1, ncols=2, figsize=(10, 6))

# 为了更好地区分两个类别，使用不同的颜色映射
# 绘制流失客户数据的热图
sns.heatmap(churn[['mean']], annot=True, cmap=[colors[0]], linewidths=0.4, linecolor='black', cbar=False, fmt='.2f', ax=ax[0])
ax[0].set_title('流失客户')

# 绘制未流失客户数据的热图
sns.heatmap(not_churn[['mean']], annot=True, cmap=[colors[1]], linewidths=0.4, linecolor='black', cbar=False, fmt='.2f', ax=ax[1])
ax[1].set_title('未流失客户')

# 优化布局
fig.tight_layout(pad=2)

结果如图：

流失客户的平均在网时长为17.98个月，相较之下，继续使用服务的客户平均在网时长为37.57个月。不流失客户在在线安全、在线备份、设备保护和技术支持等特征的平均值高于流失客户。这可以作为一个很好的指标或关注点！与不流失的客户相比，流失客户的合同价值要小得多。流失客户的平均每月费用为74.44，高于不流失客户的61.27。不流失客户的总费用为2557.31，高于流失客户的1531.80。从这些平均值来看，我们可以说，某些特征显示出明显的差异，这有助于更加关注流失客户以确保他们保留服务。

数据集中有太多的分类特征，因此特征的平均值都在0附近。我们现在将继续进行探索性数据分析（EDA）部分，并更详细地查看这些特征！

四、数据探索分析（EDA）

将特征划分为类别特征和数值特征

将特征划分为数值型和类别型特征通常是数据预处理的一部分，有助于我们根据特征的类型采取不同的分析和处理方法。以下是如何进行划分的一个示例：

数值型特征（Numerical Features）：这些是量化的数据，可以进行数学计算。数值型特征通常包括年龄、收入、月费用等。
类别型特征（Categorical Features）：这些特征表示的是类别或标签，通常用于表示不同的群体、类型或类别，如性别、国籍、产品类型等。

在进行数据分析时，对这两种类型的特征采取的处理方法会有所不同。例如，我们可能会对数值型特征进行归一化或标准化，以便用于机器学习模型；而类别型特征则可能需要进行编码（如独热编码或标签编码）以便模型可以理解。

# col 存储 df1 中所有列的名称
col = list(df1.columns)

# 使用列表推导式分别生成分类特征和数值特征列表
categorical_features = [i for i in col if len(df1[i].unique()) <= 6]
numerical_features = [i for i in col if len(df1[i].unique()) > 6]

# 使用中文注释说明代码意图
# 打印分类特征
print('Categorical Features:', *categorical_features)
# 打印数值特征
print('Numerical Features:', *numerical_features)

结果为：

Categorical Features: gender SeniorCitizen Partner Dependents PhoneService MultipleLines InternetService OnlineSecurity OnlineBackup DeviceProtection TechSupport StreamingTV StreamingMovies Contract PaperlessBilling PaymentMethod Churn
Numerical Features: tenure MonthlyCharges TotalCharges
即为

分类特征包括：性别（gender）、是否为老年人（SeniorCitizen）、是否有合作伙伴（Partner）、是否有家属（Dependents）、是否有电话服务（PhoneService）、是否有多线服务（MultipleLines）、互联网服务提供商（InternetService）、在线安全性（OnlineSecurity）、在线备份（OnlineBackup）、设备保护（DeviceProtection）、技术支持（TechSupport）、流媒体电视（StreamingTV）、流媒体电影（StreamingMovies）、合同类型（Contract）、是否采用无纸化账单（PaperlessBilling）、支付方式（PaymentMethod）、是否流失（Churn）。
数值特征包括：使用期（tenure）、每月费用（MonthlyCharges）、总费用（TotalCharges）。

这里，如果属性的唯一元素少于6个，则被定义为类别型特征；否则，它是数值型特征。通常，根据属性元素的数据类型来划分特征也是一种典型的方法。例如：数据类型为整数时，属性为数值型特征；数据类型为字符串时，属性为类别型特征。

对于这个数据集，由于特征数量较少，我们也可以手动检查数据集。

目标特征可视化

# 计算客户流失和非流失的比例
churn_rates = df1['Churn'].value_counts(normalize=True) * 100  # 直接计算百分比

# 创建绘图区域
fig, axs = plt.subplots(nrows=1, ncols=2, figsize=(20, 5))

# 绘制饼图
plt.subplot(1, 2, 1)
plt.pie(churn_rates, labels=['Not-Churn Customers', 'Churn Customers'], autopct='%1.1f%%', startangle=90, explode=(0.1, 0), colors=colors,
        wedgeprops={'edgecolor': 'black', 'linewidth': 1, 'antialiased': True})
plt.title('Churn - Not-Churn %')

# 绘制计数图
plt.subplot(1, 2, 2)
ax = sns.countplot(x='Churn', data=df1, palette=colors, edgecolor='black')  # 直接使用df1
# 在条形图上添加数据标签
for rect in ax.patches:
    ax.text(rect.get_x() + rect.get_width() / 2, rect.get_height() + 2, '%d' % rect.get_height(), ha='center', fontsize=11)
ax.set_xticklabels(['Not-Churn Customers', 'Churn Customers'])

plt.title('Number of Churn - Not-Churn Customers')
plt.show()

如图所示：

数据集在未流失客户与流失客户之间的比例大约为3:1，这导致预测结果将偏向于未流失客户。可视化展示也会显示出这种偏差。

分类特征与目标变量（Churn）：

#通常在进行数据预处理或建模之前，需要将目标变量（ 'Churn'）从特征列表中排除。
categorical_features.remove('Churn')

l1 = ['gender','SeniorCitizen','Partner','Dependents'] # Customer Information
l2 = ['PhoneService','MultipleLines','InternetService','StreamingTV','StreamingMovies',
      'OnlineSecurity','OnlineBackup','DeviceProtection','TechSupport'] # Services Signed Up for!
l3 = ['Contract','PaperlessBilling','PaymentMethod'] # Payment Information

当数据集中包含大量分类特征时，将这些特征分成几个组是一个有效的策略。这样做可以帮助我们更有组织地分析数据，并根据不同特征组的特性来采用相应的数据预处理或特征工程策略。

分组1：客户基本信息

fig, axs = plt.subplots(nrows=2, ncols=2, figsize=(20, 14))

for i, feature in enumerate(l1):
    plt.subplot(2, 2, i + 1)
    ax = sns.countplot(x=feature, data=data, hue="Churn", palette=colors, edgecolor='black')  # 使用变量feature简化代码
    # 在条形图上添加数据标签
    for rect in ax.patches:
        ax.text(rect.get_x() + rect.get_width() / 2, rect.get_height() + 2, '%d' % rect.get_height(), ha='center', fontsize=11)
    # 使用中文标题，并将Churn翻译为客户流失情况
    plt.title(f'{feature} 与客户流失情况')

plt.tight_layout()  # 调整子图间距
plt.show()

结果如下4图：

男性和女性客户的流失情况非常相似！
同样，高龄客户的数量相当低。在此基础上，我们可以观察到大约40%的高龄客户流失率。总共有476名高龄客户流失，占1142名高龄客户的总数。
与不与伴侣同住的客户相比，有伴侣同住的客户流失率较低。
同样，没有家属的客户流失率较高！

分组2：客户签订的服务

为了可视化更清楚，我们将这块分成两组

# 首先处理前两个图表
fig, axs = plt.subplots(nrows=1, ncols=2, figsize=(12, 5))
for i in range(2):  # 由于只处理前两个元素，可以直接用范围2
    plt.subplot(1, 2, i + 1)
    ax = sns.countplot(x=l2[i], data=data, hue="Churn", palette=colors, edgecolor='black')
    # 在条形图上添加数据标签
    for rect in ax.patches:
        ax.text(rect.get_x() + rect.get_width() / 2, rect.get_height() + 2, rect.get_height(), ha='center', fontsize=11)
    # 将标题设置为中文
    plt.title(f'{l2[i]} 与客户流失情况')

# 处理第三个图表，单独创建一个图形
fig, ax = plt.subplots(figsize=(6, 5))
sns.countplot(x=l2[2], data=data, hue="Churn", palette=colors, edgecolor='black')
# 在条形图上添加数据标签
for rect in ax.patches:
    ax.text(rect.get_x() + rect.get_width() / 2, rect.get_height() + 2, rect.get_height(), ha='center', fontsize=11)
# 将标题设置为中文
plt.title(f'{l2[2]} 与客户流失情况')

# 处理最后两个图表，再次创建图形
fig, axs = plt.subplots(nrows=1, ncols=2, figsize=(12, 5))
for i, feature in enumerate(l2[3:5]):  # 使用enumerate简化循环
    plt.subplot(1, 2, i + 1)
    ax = sns.countplot(x=feature, data=data, hue="Churn", palette=colors, edgecolor='black')
    # 在条形图上添加数据标签
    for rect in ax.patches:
        ax.text(rect.get_x() + rect.get_width() / 2, rect.get_height() + 2, rect.get_height(), ha='center', fontsize=11)
    # 将标题设置为中文
    plt.title(f'{feature} 与客户流失情况')

结果如下：

尽管没有电话服务，但保留的客户数量相比放弃服务的客户来说更多。在多线服务的情况下，无论是否存在多线服务，客户的流失率都是相同的。许多客户对使用光纤光缆提供互联网服务表现出了抵触情绪。相反，从上图可以看出，客户更喜欢使用DSL作为他们的互联网服务！无论是否订阅了StreamingTV和StreamingMovies，都有大量客户流失。看起来流媒体内容并不完全是问题所在！

fig, axs = plt.subplots(nrows=2, ncols=2, figsize=(20, 14))  # 创建一个2x2的图表布局
axs = axs.flatten()  # 将2x2的图表布局扁平化处理，以便于遍历

# 遍历特定特征，绘制与客户流失之间的关系图
for i, feature in enumerate(l2[-4:]):
    ax = sns.countplot(x=feature, data=data, hue="Churn", palette=colors, edgecolor='black', ax=axs[i])
    ax.set_title(f'{feature} 与客户流失的关系')  # 为每个图表设置中文标题
    # 在每个柱状图的顶部添加数据标签
    for rect in ax.patches:
        height = rect.get_height()
        ax.text(rect.get_x() + rect.get_width() / 2, height + 2, f'{height}', ha='center', fontsize=11)

plt.tight_layout()  # 自动调整子图参数，以给定的填充

结果如下：

根据上述可视化数据，当提供给客户的在线安全、在线备份、设备保护和技术支持等服务不佳时，大量客户选择更换服务提供商。这些服务对于留住客户至关重要。

分组3：支付信息

# 初始化画布和子图布局
fig, axs = plt.subplots(nrows=1, ncols=3, figsize=(25, 7))

# 遍历特征，绘制与客户流失的关系图
for i, feature in enumerate(l3[:3]):
    ax = sns.countplot(x=feature, data=data, hue="Churn", palette=colors, edgecolor='black', ax=axs[i])  # 使用viridis颜色方案
    # 在每个柱状图的顶部标注数量
    for rect in ax.patches:
        height = rect.get_height()
        ax.text(rect.get_x() + rect.get_width() / 2, height + 2, int(height), ha='center', fontsize=11)
    # 设置每个子图的标题，增加中文支持
    axs[i].set_title(f'{feature} 与客户流失的关系')

plt.tight_layout()  # 调整布局以避免重叠

结果如下：

基于月对月合约的客户流失率相当高。这可能是因为客户在尝试可用的各种服务，因此为了节省费用，会测试1个月的服务！另一个原因可能是与互联网服务、流媒体服务和电话服务的整体体验不一致。每位客户的优先级不同，因此如果这三项服务中的任何一项达不到标准，整个服务就会被取消！无纸化账单显示有大量客户被流失。这可能是由于某些支付问题或收据问题。客户显然对电子支票支付方式表示不满。在使用电子支票支付的2365份账单中，有高达1071名客户因为这种支付方式而退出了服务。公司显然需要放弃电子支票方法，或者使其无障碍且用户友好。

分类特征与正目标变量（流失案例）:

重点关注流失客户

分组1：客户信息

# 定义一个函数来计算并绘制饼图，减少重复代码
def calculate_and_plot_pie(data, column, labels, subplot_position, title, explode):
    counts = data[data['Churn'] == 1][column].value_counts(normalize=True) * 100
    plt.subplot(1, 4, subplot_position)
    plt.pie(counts, labels=labels, autopct='%1.1f%%', startangle=90, explode=explode, colors=colors,
            wedgeprops={'edgecolor': 'black', 'linewidth': 1, 'antialiased': True})
    plt.title(title)

# 使用上述函数来绘制所有需要的饼图
fig, ax = plt.subplots(nrows=1, ncols=4, figsize=(15, 15))

calculate_and_plot_pie(df1, 'gender', ['Female', 'Male'], 1, 'Gender', (0.1, 0))
calculate_and_plot_pie(df1, 'SeniorCitizen', ['No', 'Yes'], 2, 'SeniorCitizen', (0, 0.1))
calculate_and_plot_pie(df1, 'Partner', ['No', 'Yes'], 3, 'Partner', (0.1, 0))
calculate_and_plot_pie(df1, 'Dependents', ['No', 'Yes'], 4, 'Dependents', (0.1, 0))

结果如图

我们可以清楚地观察到，选择更换服务的男性和女性客户之间存在着50%对50%的均等分割。因此，转换的原因与服务或某些流程有关，客户对此反应不佳！ 75%的流失客户不是高龄人士！这是公司需要转移其注意力的重要信息！独居的客户已经切断了服务。从伴侣和家属依赖的数据来看，平均有73.4%的流失客户是独居的。

分组2：客户签订的服务

phoneservice = df1[df1['Churn'] == 1]['PhoneService'].value_counts()
phoneservice = [phoneservice[0] / sum(phoneservice) * 100, phoneservice[1] / sum(phoneservice) * 100] # No - Yes

multiplelines = df1[df1['Churn'] == 1]['MultipleLines'].value_counts()
multiplelines = [multiplelines[0] / sum(multiplelines) * 100,multiplelines[1] / sum(multiplelines) * 100, multiplelines[2] / sum(multiplelines) * 100] # No - No Phone Service - Yes 

internetservice = df1[df1['Churn'] == 1]['InternetService'].value_counts()
internetservice = [internetservice[0] / sum(internetservice) * 100,internetservice[1] / sum(internetservice) * 100, internetservice[2] / sum(internetservice) * 100] # DSL - Fiber Optic - No 

streamingtv = df1[df1['Churn'] == 1]['StreamingTV'].value_counts()
streamingtv = [streamingtv[0] / sum(streamingtv) * 100,streamingtv[1] / sum(streamingtv) * 100, streamingtv[2] / sum(streamingtv) * 100] # No - No Internet Service - Yes 

streamingmovies = df1[df1['Churn'] == 1]['StreamingMovies'].value_counts()
streamingmovies = [streamingmovies[0] / sum(streamingmovies) * 100,streamingmovies[1] / sum(streamingmovies) * 100, streamingmovies[2] / sum(streamingmovies) * 100] # No - No Internet Service - Yes 

ax,fig = plt.subplots(nrows = 1,ncols = 2,figsize = (8,8))

plt.subplot(1,2,1)
plt.pie(phoneservice,labels = ['No', 'Yes'],autopct='%1.1f%%',startangle = 90,explode = (0.1,0),colors = colors,
       wedgeprops = {'edgecolor' : 'black','linewidth': 1,'antialiased' : True})
plt.title('PhoneService');

plt.subplot(1,2,2)
plt.pie(multiplelines,labels = ['No','No Phone Service','Yes'],autopct='%1.1f%%',startangle = 90,explode = (0.1,0,0.1),colors = colors,
       wedgeprops = {'edgecolor' : 'black','linewidth': 1,'antialiased' : True})
plt.title('MultipleLines');

ax,fig = plt.subplots(nrows = 1,ncols = 3,figsize = (12,12))

plt.subplot(1,3,1)
plt.pie(internetservice,labels = ['DSL', 'Fiber Optic','No'],autopct='%1.1f%%',startangle = 90,explode = (0.1,0,0.1),colors = colors,
       wedgeprops = {'edgecolor' : 'black','linewidth': 1,'antialiased' : True})
plt.title('InternetService');

plt.subplot(1,3,2)
plt.pie(streamingtv,labels = ['No', 'No Internet Service','Yes'],autopct='%1.1f%%',startangle = 90,explode = (0.1,0,0.1),colors = colors,
       wedgeprops = {'edgecolor' : 'black','linewidth': 1,'antialiased' : True})
plt.title('StreamingTV');

plt.subplot(1,3,3)
plt.pie(streamingmovies,labels = ['No', 'No Internet Service','Yes'],autopct='%1.1f%%',startangle = 90,explode = (0.1,0,0.1),colors = colors,
       wedgeprops = {'edgecolor' : 'black','linewidth': 1,'antialiased' : True})
plt.title('StreamingMovies');

结果如图

尽管提供了电话服务，但仍有很高比例的客户选择了转换服务！同样，多线路的可用性并没有起到作用，因为客户取消订阅的行为仍然发生！客户显然不喜欢使用光纤电缆提供互联网服务的方式，有高达70%的客户选择退出服务！对于流媒体电视和流媒体电影，没有这些服务的客户肯定取消了他们的订阅，然而，平均有43.8%的客户在享受流媒体内容的同时还是选择了转换服务。

onlinesecurity = df1[df1['Churn'] == 1]['OnlineSecurity'].value_counts()
onlinesecurity = [onlinesecurity[0] / sum(onlinesecurity) * 100,onlinesecurity[1] / sum(onlinesecurity) * 100, onlinesecurity[2] / sum(onlinesecurity) * 100] # No - No Internet Service - Yes 

onlinebackup = df1[df1['Churn'] == 1]['OnlineBackup'].value_counts()
onlinebackup = [onlinebackup[0] / sum(onlinebackup) * 100,onlinebackup[1] / sum(onlinebackup) * 100, onlinebackup[2] / sum(onlinebackup) * 100] # No - No Internet Service - Yes 

deviceprotection = df1[df1['Churn'] == 1]['DeviceProtection'].value_counts()
deviceprotection = [deviceprotection[0] / sum(deviceprotection) * 100,deviceprotection[1] / sum(deviceprotection) * 100, deviceprotection[2] / sum(deviceprotection) * 100] # No - No Internet Service - Yes 

techsupport = df1[df1['Churn'] == 1]['TechSupport'].value_counts()
techsupport = [techsupport[0] / sum(techsupport) * 100,techsupport[1] / sum(techsupport) * 100, techsupport[2] / sum(techsupport) * 100] # No - No Internet Service - Yes 

ax,fig = plt.subplots(nrows = 1,ncols = 4,figsize = (15,15))

plt.subplot(1,4,1)
plt.pie(onlinesecurity,labels = ['No', 'No Internet Service','Yes'],autopct='%1.1f%%',startangle = 90,explode = (0.1,0,0.1),colors = colors,
       wedgeprops = {'edgecolor' : 'black','linewidth': 1,'antialiased' : True})
plt.title('OnlineSecurity');

plt.subplot(1,4,2)
plt.pie(onlinebackup,labels = ['No', 'No Internet Service','Yes'],autopct='%1.1f%%',startangle = 90,explode = (0.1,0.1,0),colors = colors,
       wedgeprops = {'edgecolor' : 'black','linewidth': 1,'antialiased' : True})
plt.title('OnlineBackup');

plt.subplot(1,4,3)
plt.pie(deviceprotection,labels = ['No', 'No Internet Service','Yes'],autopct='%1.1f%%',startangle = 90,explode = (0.1,0,0.1),colors = colors,
       wedgeprops = {'edgecolor' : 'black','linewidth': 1,'antialiased' : True})
plt.title('DeviceProtection');

plt.subplot(1,4,4)
plt.pie(techsupport,labels = ['No', 'No Internet Service','Yes'],autopct='%1.1f%%',startangle = 90,explode = (0.1,0,0.1),colors = colors,
       wedgeprops = {'edgecolor' : 'black','linewidth': 1,'antialiased' : True})
plt.title('TechSupport');

结果如下：

上述饼图强调了提供在线安全、在线备份、设备保护和技术支持的重要性，因为平均有71.6%的客户因缺乏这些功能而中断了他们的服务！

分组3：支付

contract = df1[df1['Churn'] == 1]['Contract'].value_counts()
contract = [contract[0] / sum(contract) * 100, contract[1] / sum(contract) * 100, contract[2] / sum(contract) * 100] # Month-to-month - One year - Two year

paperlessbilling = df1[df1['Churn'] == 1]['PaperlessBilling'].value_counts()
paperlessbilling = [paperlessbilling[0] / sum(paperlessbilling) * 100,paperlessbilling[1] / sum(paperlessbilling) * 100] # No - Yes 

paymentmethod = df1[df1['Churn'] == 1]['PaymentMethod'].value_counts()
paymentmethod = [paymentmethod[0] / sum(paymentmethod) * 100, paymentmethod[1] / sum(paymentmethod) * 100, 
            paymentmethod[2] / sum(paymentmethod) * 100, paymentmethod[3] / sum(paymentmethod) * 100] 
            # Bank Transfer (automatic) - Credit Card (automatic) - Electronic check - Mailed check
ax,fig = plt.subplots(nrows = 1,ncols = 3,figsize = (12,12))

plt.subplot(1,3,1)
plt.pie(contract,labels = ['Month-to-month','One year','Two year'],autopct='%1.1f%%',startangle = 90,explode = (0.1,0.1,0.1),colors = colors,
       wedgeprops = {'edgecolor' : 'black','linewidth': 1,'antialiased' : True})
plt.title('Contract');

plt.subplot(1,3,2)
plt.pie(paperlessbilling,labels = ['No', 'Yes'],autopct='%1.1f%%',startangle = 90,explode = (0.1,0),colors = colors,
       wedgeprops = {'edgecolor' : 'black','linewidth': 1,'antialiased' : True})
plt.title('PaperlessBilling');

plt.subplot(1,3,3)
plt.pie(paymentmethod,labels = ['Bank Transfer (automatic)','Credit Card (automatic)','Electronic check','Mailed check'],autopct='%1.1f%%',startangle = 90,explode = (0.1,0,0.1,0),colors = colors,
       wedgeprops = {'edgecolor' : 'black','linewidth': 1,'antialiased' : True})
plt.title('PaymentMethod');

结果如图：

月对月的合约期限在客户流失时占据了主导地位，高达88.6%的客户选择了离开！客户似乎不太喜欢无纸化账单！电子支票绝对需要得到解决，因为它占到了57.3%的客户流失。其次是邮寄支票、银行转账（自动）和信用卡（自动）。

数值特征

# 设置图形大小和子图布局
fig, ax = plt.subplots(nrows=1, ncols=3, figsize=(15, 5))

# 遍历数值特征，为每个特征绘制分布图
for i, feature in enumerate(numerical_features):
    # 选择子图位置
    plt.subplot(1, 3, i + 1)
    # 绘制特征的分布图，使用指定的颜色
    sns.distplot(df1[feature], color=colors[0])
    # 设置图形标题，展示特征名称
    plt.title(f'分布：{feature}')

# 显示图形
plt.show()

结果如图：

“tenure”和“MonthlyCharges”形成了一种双峰分布，其峰值分别位于0-70和20-80。 “TotalCharges”显示出一种正向或右偏的分布。

# 为月费用和总费用分别创建分组列
df1['MonthlyCharges_Group'] = df1['MonthlyCharges'] // 5#将月费用按5的间隔进行分组。
df1['TotalCharges_Group'] = df1['TotalCharges'] // 500#将总费用按500的间隔进行分组。

# 设置绘图区域大小
fig, ax = plt.subplots(nrows=2, ncols=1, figsize=(20, 10))

# 遍历除第一个数值特征以外的其它特征（这里假设你想排除第一个数值特征）
for i, feature in enumerate(numerical_features[1:]):
    # 选择子图
    plt.subplot(2, 1, i + 1)
    # 绘制分组柱状图，明确指定x列名和颜色，根据是否流失进行分色
    sns.countplot(x=f'{feature}_Group', data=df1, hue='Churn', palette=colors, edgecolor='black')
    # 设置图例位置
    plt.legend(['未流失', '流失'], loc='upper left')
    # 设置标题
    plt.title(f'{feature}与流失关系');

# 显示绘图
plt.tight_layout()
plt.show()

结果如图：

对于月费组来说，当月费在65（13x5）到105（21x5）之间时，流失率较高。这个月费范围导致客户转换。

对于总费用在500以下的客户来说，选择退出服务的人数非常多。这种客户流失情况持续存在于总费用范围从0（0x500）到1000（2x500）之间。

针对目标变量（Churn）分析数值特征与类别特征的关系

# 初始化绘制2行2列的子图，设置总体图形大小
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(15, 10))

# 遍历l1列表中的每个元素，绘制箱线图
for i, feature in enumerate(l1):
    # 选择子图位置
    ax = plt.subplot(2, 2, i + 1)
    # 绘制箱线图，对比tenure与l1列表中的特征，按照Churn进行分组
    sns.boxplot(x=feature, y='tenure', data=data, hue='Churn', palette=colors)
    # 设置图形标题
    plt.title(f'tenure 与 {feature}')

# 显示图形
plt.tight_layout()
plt.show()

结果图：

男性和女性客户的流失图非常相似。资深公民在服务的前0至35个月内选择了退出。20至35个月是资深公民决定是否继续或切换服务的决策期。同样地，有伴侣的客户在5至45个月内继续使用服务。

# 初始化一个1行2列的图形布局，用于前两个特征的箱线图
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(15, 5))

# 对l2列表的前两个元素绘制箱线图
for i in range(2):
    ax = axes[i]
    sns.boxplot(x=l2[i], y='tenure', data=data, hue='Churn', palette=colors, ax=ax)
    ax.set_title(f'tenure 对比 {l2[i]}')

# 单独为第三个特征创建图形
fig, ax = plt.subplots(nrows=1, ncols=1, figsize=(6, 5))
sns.boxplot(x=l2[2], y='tenure', data=data, hue='Churn', palette=colors, ax=ax)
ax.set_title(f'tenure 对比 {l2[2]}')

# 初始化一个1行2列的图形布局，用于最后两个特征的箱线图
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(12, 5))

# 对l2列表的最后两个元素绘制箱线图
for i in range(2):
    ax = axes[i]
    sns.boxplot(x=l2[i + 3], y='tenure', data=data, hue='Churn', palette=colors, ax=ax)
    ax.set_title(f'tenure 对比 {l2[i + 3]}')

结果图如下：

无论客户是否选择退出服务，多线路服务的存在都会推高月费的中位数。在服务年限与电话服务的图表中，是否有电话服务的情况显示出镜像般的视觉效果。客户可能不是重度电话（通话 - 短信）使用者。对于互联网服务，客户似乎对光纤缆的使用持非常怀疑态度，因为流失期持续了大约30至35个月，之后才决定是继续使用还是换新的！类似地，对于流媒体电视和流媒体电影，可以观察到大约10至40个月的流失期！

# 初始化2行2列的图形布局，设置图形大小
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(20, 14))

# 遍历l2列表的最后四个元素，并在相应的子图上绘制箱线图
for i, feature in enumerate(l2[-4:]):
    ax = axes[i // 2, i % 2]  # 确定子图的位置
    sns.boxplot(x=feature, y='tenure', data=data, hue='Churn', palette=colors, ax=ax)
    ax.set_title(f'tenure 对比 {feature}')

# 调整布局，防止标题和标签重叠
plt.tight_layout()

结果：

对于在线安全、在线备份、设备保护和技术支持，中位数流失期限值为25个月。这种流失期限的最高值约为45个月。 30至35个月的期限是客户决定是否继续当前服务或针对上述特性进行切换的时间点！

# 初始化1行3列的图形布局，设置图形大小
fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(25, 7))

# 遍历l3列表，并在相应的子图上绘制箱线图
for i, feature in enumerate(l3):
    ax = axes[i]  # 直接从axes数组中获取对应的子图对象
    sns.boxplot(x=feature, y='tenure', data=data, hue='Churn', palette=colors, ax=ax)
    ax.set_title(f'tenure 对比 {feature}')  # 使用中文输出标题

# 调整布局，防止标题和标签重叠
plt.tight_layout()

结果：

当客户签订一年和两年的服务合约时，他们似乎分别会继续使用服务大约25个月和45个月！然而，他们分别从第35个月和第55个月开始质疑服务，并考虑切换。无论是否采用无纸化账单，客户从第一个月开始就考虑切换。在支付方式上，银行转账（自动）和信用卡（自动）的中位数流失期限超过20个月，几乎是电子支票和邮寄支票的两倍，分别约为10个月和约5个月。

# 初始化2行2列的图形布局，设置图形大小
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(15, 10))

# 遍历l1列表的前四个元素，并在相应的子图上绘制箱线图
for i, feature in enumerate(l1[:4]):
    ax = axes[i // 2, i % 2]  # 计算子图的位置
    sns.boxplot(x=feature, y='MonthlyCharges', data=data, hue='Churn', palette=colors, ax=ax)
    ax.set_title(f'MonthlyCharges 对比 {feature}')  # 使用中文输出标题

# 调整布局，防止标题和标签重叠
plt.tight_layout()

结果图：

对于上述所有特性，未流失客户的中位数值非常接近流失客户的下限值。男性和女性客户的平均每月费用中位数约为60。对于高龄公民，这个值提高到了80。与伴侣同居的客户比独居的客户有更高的流失下限值，其每月费用为70，而独居者的每月费用仅略低于60！

# 第一部分：1行2列的布局
fig, axes1 = plt.subplots(nrows=1, ncols=2, figsize=(15, 5))
for i, feature in enumerate(l2[:2]):
    sns.boxplot(x=feature, y='MonthlyCharges', data=data, hue='Churn', palette=colors, ax=axes1[i])
    axes1[i].set_title(f'MonthlyCharges 对比 {feature}')

# 第二部分：1行1列的布局
fig, ax2 = plt.subplots(nrows=1, ncols=1, figsize=(6, 5))
sns.boxplot(x=l2[2], y='MonthlyCharges', data=data, hue='Churn', palette=colors, ax=ax2)
ax2.set_title(f'MonthlyCharges 对比 {l2[2]}')

# 第三部分：1行2列的布局
fig, axes3 = plt.subplots(nrows=1, ncols=2, figsize=(12, 5))
for i, feature in enumerate(l2[3:5]):
    sns.boxplot(x=feature, y='MonthlyCharges', data=data, hue='Churn', palette=colors, ax=axes3[i])
    axes3[i].set_title(f'MonthlyCharges 对比 {feature}')

# 为所有图形调整布局
plt.tight_layout()

光纤光缆的每月费用非常高。因此，这可能是客户流失率如此高的原因。同样，流媒体电视和流媒体电影的每月费用也相当高。电话服务的每月费用范围是从25到85，但客户在每月费用达到75时就考虑取消订阅。

# 初始化2行2列的图形布局，设置图形大小
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(20, 14))

# 遍历l2列表的后四个元素，并在相应的子图上绘制箱线图
for i, feature in enumerate(l2[-4:]):
    ax = axes[i // 2, i % 2]  # 计算子图的位置
    sns.boxplot(x=feature, y='MonthlyCharges', data=data, hue='Churn', palette=colors, ax=ax)
    ax.set_title(f'MonthlyCharges 对比 {feature}')  # 使用中文输出标题

# 调整布局，防止标题和标签重叠
plt.tight_layout()

结果如下：

对于网络安全、在线备份、设备保护和技术支持，价值范围大约是从50到100。订阅这些服务的客户可能不会因为每月费用而考虑取消订阅，因为取消订阅与继续订阅的客户的价值范围大致相同！

# 使用fig, axes创建1行3列的图形布局，设置适当的大小
fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(25, 7))

# 遍历l3列表，对每个元素绘制箱线图
for i, feature in enumerate(l3):
    sns.boxplot(x=feature, y='MonthlyCharges', data=data, hue='Churn', palette=colors, ax=axes[i])
    axes[i].set_title(f'MonthlyCharges 对比 {feature}')  # 设置每个子图的标题

# 调整布局，确保标题和标签不会重叠
plt.tight_layout()

结果图如下：

月付合约的每月费用下限比一年和两年合约的要高。然而，中断服务的客户的下限值对于月付合约来说却是更低的。电子支票的下限非常高，这可能是客户不愿使用它的一个重要原因！而邮寄支票的客户流失和继续使用的起始值最低。

# 初始化2行2列的图形布局，并设置图形的大小
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(15, 10))

# 遍历4次，对应4个子图
for i in range(4):
    # 直接使用axes[i // 2, i % 2]定位子图，并在该子图上绘制箱线图
    sns.boxplot(x=l1[i], y='TotalCharges', data=data, hue='Churn', palette=colors, ax=axes[i // 2, i % 2])
    axes[i // 2, i % 2].set_title(f'TotalCharges 对比 {l1[i]}')  # 设置中文标题

# 调整布局以避免重叠
plt.tight_layout()

结果图：

男性和女性客户的总费用相当相似！继续使用服务的老年客户的总费用的起始值和结束值较高。与独居的客户相比，与伴侣同住的客户的总费用的中位数值较高！

# 创建1行2列的图形布局，并设置图形的大小
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(15, 5))

# 遍历l2的前两个元素，绘制箱线图
for i, feature in enumerate(l2[0:2]):
    sns.boxplot(x=feature, y='TotalCharges', data=data, hue='Churn', palette=colors, ax=axes[i])
    axes[i].set_title(f'TotalCharges 对比 {feature}')  # 设置中文标题
# 创建单独的图形布局
fig, ax = plt.subplots(nrows=1, ncols=1, figsize=(6, 5))

# 绘制箱线图
sns.boxplot(x=l2[2], y='TotalCharges', data=data, hue='Churn', palette=colors, ax=ax)
ax.set_title(f'TotalCharges 对比 {l2[2]}')  # 设置中文标题
# 创建1行2列的图形布局，并设置图形的大小
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(12, 5))

# 遍历l2的第3和第4个元素，绘制箱线图
for i, feature in enumerate(l2[3:5]):
    sns.boxplot(x=feature, y='TotalCharges', data=data, hue='Churn', palette=colors, ax=axes[i])
    axes[i].set_title(f'TotalCharges 对比 {feature}')  # 设置中文标题

结果：

电话服务的总费用范围从 0 到 4000 美元。然而，当总费用达到大约 1000 美元左右时，客户开始对电话服务产生疑虑。同样地，当多线服务的费用接近 2000 美元时，客户开始犹豫是否支付。但是，有些客户似乎非常需要多线服务，因为他们为此支付了大约 6000 美元的费用！至于光纤光缆，客户在尝试产品时大约会支付 2000 美元。与光纤光缆、流媒体电视和流媒体电影服务类似，继续使用服务的客户的支付范围从 3000 到 6000 美元。

# 初始化2行2列的图形布局，并设置图形的大小
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(20, 14))

# 遍历l2列表的最后四个元素
for i, feature in enumerate(l2[-4:]):
    # 直接使用axes数组定位子图，并在该子图上绘制箱线图
    sns.boxplot(x=feature, y='TotalCharges', data=data, hue='Churn', palette=colors, ax=axes[i // 2, i % 2])
    axes[i // 2, i % 2].set_title(f'TotalCharges 对比 {feature}')  # 设置中文标题

结果如下：

对于上述提到的所有特性，客户在总费用达到大约 2000 美元时开始对支付产生怀疑。流失客户的中位数值非常接近继续使用此服务的客户的下限。没有流失的客户准备支付的总费用范围从 2000 到 6000 美元。

# 创建1行3列的图形布局，并设置图形的大小
fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(25, 7))

# 遍历l3列表，为每个特征绘制箱线图
for i, feature in enumerate(l3):
    # 直接在指定的子图上绘制箱线图
    sns.boxplot(x=feature, y='TotalCharges', data=data, hue='Churn', palette=colors, ax=axes[i])
    axes[i].set_title(f'TotalCharges 对比 {feature}')  # 使用中文设置标题

结果如下：

选择退出一年和两年合约服务的客户的中位数值分别高达大约 4000 美元和 6000 美元。一些签订两年合约的客户甚至支付了大约 7000 美元。对于支付方式，客户对使用电子支票支付的范围（0 - 2000 美元）持怀疑态度，而对银行转账（自动）和信用卡（自动）的支付范围大约是 0 - 4000 美元。

# 初始化3行1列的图形布局，并设置图形大小
fig, axes = plt.subplots(nrows=3, ncols=1, figsize=(15, 15))

# 设置一个计数器，用于控制绘图的子图位置
a = 0

# 遍历数值特征的所有可能组合
for i in range(len(numerical_features)):
    for j in range(i + 1, len(numerical_features)):  # 确保j>i，避免重复和自己比较
        if a < 3:  # 保证不超过3个子图的限制
            # 在指定的子图上绘制散点图
            sns.scatterplot(x=numerical_features[i], y=numerical_features[j], data=df1, hue='Churn', palette=colors, edgecolor='black', ax=axes[a])
            axes[a].legend(['No Churn', 'Churn'], loc='upper left')
            title = numerical_features[i] + ' vs ' + numerical_features[j]
            axes[a].set_title(title)  # 设置图形标题
            a += 1  # 更新子图索引计数器

结果如下：

对于租期在 0 到 20 个月期间，客户在任何月费用值下的流失都相当频繁。对于租期从 20 到 60 个月，处于月费用值高端的客户，70 到 120 美元，开始退出服务。对于总费用与租期的关系，随着租期的增加，总费用也随之增加！选择退出计划的客户是那些在其租期内被收费最高的，以及一些总费用排在中间的客户！当月费用达到 70 美元及以上时，客户似乎决定取消他们的订阅。

EDA总结

分类特征（顺序）：

性别：男性 = 女性
高龄用户：非高龄用户 > 高龄用户
伴侣：无伴侣 > 有伴侣
家属：无家属 > 有家属
电话服务：有电话服务 > 无电话服务
多线服务：有多线服务 > 无多线服务 > 无电话服务
互联网服务：光纤 > DSL > 无互联网服务
在线安全：无 > 有 > 无互联网服务
在线备份：无 > 有 > 无互联网服务
设备保护：无 > 有 > 无互联网服务
技术支持：无 > 有 > 无互联网服务
流媒体电视：无 > 有 > 无互联网服务
流媒体电影：无 > 有 > 无互联网服务
合约：按月 > 一年 > 两年
无纸化账单：有 > 无
支付方式：电子支票 > 邮寄支票 > 银行转账（自动） > 信用卡（自动）

数值特征（范围）：

租期：1 - 5个月
月费用：65 - 105
总费用：0 - 1000

五、特征工程

Data Scaling数据缩放

from sklearn.preprocessing import MinMaxScaler #, StandardScaler

# 实例化归一化处理器
mms = MinMaxScaler()

# 删除不需要的列
df1.drop(columns=['MonthlyCharges_Group', 'TotalCharges_Group'], inplace=True)

# 使用归一化处理特定的列
columns_to_scale = ['tenure', 'MonthlyCharges', 'TotalCharges']
df1[columns_to_scale] = mms.fit_transform(df1[columns_to_scale])

# 显示处理后的前几行数据以检查
df1.head()

结果如下：

机器学习模型并不理解特征值的单位。它仅仅将输入当作一个简单的数字，但不理解该值的真实含义。因此，对数据进行缩放变得非常必要。例如：年龄 = 年；空腹血糖 = 毫克/分升；费用 = 货币单位。

我们有两种数据缩放选项：1）归一化 2）标准化。由于大多数算法假设数据呈正态（高斯）分布，对于那些数据未显示正态分布的特征进行归一化，而对于那些正态分布但其值与其他特征相比非常大或非常小的特征进行标准化。

归一化：由于显示了右偏斜和双峰数据分布，因此对tenure（在职时间）、MonthlyCharges（月费用）和TotalCharges（总费用）特征进行了归一化。

标准化：对于上述数据，没有特征进行标准化。

plt.figure(figsize = (20,5))
sns.heatmap(df1.corr(),cmap = colors,annot = True);

结果图：

这是一个包含太多特征的庞大矩阵。我们只检查流失情况（Churn）检查相关性。

# 计算与'Churn'的相关性并排序
corr = df1.corrwith(df1['Churn']).sort_values(ascending=False).to_frame()
corr.columns = ['Correlations']  # 设置相关性列的列名

# 创建一个图形和子图对象，设置图形大小
fig, ax = plt.subplots(figsize=(5, 5))

# 绘制热力图，显示数值注释
sns.heatmap(corr, annot=True, cmap=colors, linewidths=0.4, linecolor='black', ax=ax)

# 设置图形标题
ax.set_title('与结果变量的相关性');

# 显示图形
plt.show()

结果图如下：

多线路（MultipleLines）、电话服务（PhoneService）、性别（gender）、流媒体电视（StreamingTV）、流媒体电影（StreamingMovies）和互联网服务（InternetService）没有显示任何相关性。我们将剔除相关系数在（-0.1, 0.1）之间的特征。剩余的特征要么显示出显著的正相关，要么显示出显著的负相关。

from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2,mutual_info_classif

# 提取特征和目标变量
features = df1.loc[:, categorical_features]
target = df1.loc[:, 'Churn']

# 使用卡方检验选择最佳特征
best_features = SelectKBest(score_func=chi2, k='all')
fit = best_features.fit(features, target)

# 创建特征得分的DataFrame
featureScores = pd.DataFrame(data=fit.scores_, index=list(features.columns), columns=['Chi Squared Score'])

# 设置图形大小，并绘制热力图显示特征得分
plt.subplots(figsize=(5, 5))
sns.heatmap(featureScores.sort_values(ascending=False, by='Chi Squared Score'), annot=True, cmap=colors, linewidths=0.4, linecolor='black', fmt='.2f')
plt.title('分类特征选择');
plt.show()

结果图如下：

电话服务（PhoneService）、性别（gender）、流媒体电视（StreamingTV）、流媒体电影（StreamingMovies）、多线路（MultipleLines）和互联网服务（InternetService）与客户流失（Churn）的关系非常低。

from sklearn.feature_selection import f_classif

# 提取数值特征和目标变量
features = df1.loc[:, numerical_features]
target = df1.loc[:, 'Churn']

# 利用ANOVA选择最佳特征
best_features = SelectKBest(score_func=f_classif, k='all')
fit = best_features.fit(features, target)

# 将特征得分转换为DataFrame
featureScores = pd.DataFrame(data=fit.scores_, index=list(features.columns), columns=['ANOVA Score'])

# 创建图形对象，设置大小，并绘制热力图
plt.subplots(figsize=(5, 5))
sns.heatmap(featureScores.sort_values(ascending=False, by='ANOVA Score'), annot=True, cmap=colors, linewidths=0.4, linecolor='black', fmt='.2f')
plt.title('数值特征选择');
plt.show()

结果如下：

根据ANOVA测试，ANOVA得分越高，特征的重要性就越大。根据上述结果，我们需要包含所有的数值特征进行建模。

df1.drop(columns = ['PhoneService', 'gender','StreamingTV','StreamingMovies','MultipleLines','InternetService'],inplace = True)
df1.head()

接下来我们需要做数据平衡

使用SMOTE进行数据平衡：
为了应对不平衡数据，有两个选择：

下采样（Undersampling）：减少目标变量的多数类样本。
过采样（Oversampling）：增加目标变量的少数类样本至多数类样本的数量。

在进行了下采样和过采样的尝试和错误之后，我们决定采用过采样！
为了数据平衡，我们将使用imblearn库。
pip命令：pip install imbalanced-learn

import imblearn
from collections import Counter
from imblearn.over_sampling import SMOTE
from imblearn.under_sampling import RandomUnderSampler
from imblearn.pipeline import Pipeline

# 使用SMOTE方法进行过采样以平衡数据集
over = SMOTE(sampling_strategy=1)

# 提取特征变量和目标变量
f1 = df1.iloc[:, :13].values
t1 = df1.iloc[:, 13].values

# 应用SMOTE算法
f1, t1 = over.fit_resample(f1, t1)

# 输出经过重采样后的目标变量分布
print(Counter(t1))

结果为：Counter({0: 5174, 1: 5174})

六、建模

import seaborn as sns
from sklearn.model_selection import train_test_split, cross_val_score, GridSearchCV, RepeatedStratifiedKFold
from sklearn.metrics import confusion_matrix, roc_auc_score, roc_curve, classification_report, accuracy_score, RocCurveDisplay, precision_recall_curve
from sklearn.ensemble import RandomForestClassifier  # 示例，你可以替换成任何其他分类器

# 假设 f1 是你的特征数据，t1 是你的目标变量
x_train, x_test, y_train, y_test = train_test_split(f1, t1, test_size=0.20, random_state=2)

def model(classifier, x_train, y_train, x_test, y_test):
    classifier.fit(x_train, y_train)
    prediction = classifier.predict(x_test)
    cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)
    print("Cross Validation Score: ", '{0:.2%}'.format(cross_val_score(classifier, x_train, y_train, cv=cv, scoring='roc_auc').mean()))
    print("ROC_AUC Score: ", '{0:.2%}'.format(roc_auc_score(y_test, prediction)))
    
    # ROC 曲线
    RocCurveDisplay.from_estimator(classifier, x_test, y_test)
    plt.title('ROC_AUC_Plot')
    plt.show()

def model_evaluation(classifier, x_test, y_test):
    # Confusion Matrix
    cm = confusion_matrix(y_test, classifier.predict(x_test))
    names = ['True Neg', 'False Pos', 'False Neg', 'True Pos']
    counts = [value for value in cm.flatten()]
    percentages = ['{0:.2%}'.format(value) for value in cm.flatten() / np.sum(cm)]
    labels = [f'{v1}\n{v2}\n{v3}' for v1, v2, v3 in zip(names, counts, percentages)]
    labels = np.asarray(labels).reshape(2, 2)
    sns.heatmap(cm, annot=labels, cmap='Blues', fmt='', square=True)
    plt.ylabel('Actual label')
    plt.xlabel('Predicted label')
    plt.title('Confusion Matrix')
    plt.show()
    
    # Classification Report
    print(classification_report(y_test, classifier.predict(x_test)))

1.xgbt

from xgboost import XGBClassifier

classifier_xgb = XGBClassifier(learning_rate= 0.01,max_depth = 3,n_estimators = 1000)

model(classifier_xgb,x_train,y_train,x_test,y_test)

结果为：

Cross Validation Score:  90.37%
ROC_AUC Score:  82.24%

model_evaluation(classifier_xgb,x_test,y_test)

 precision    recall  f1-score   support

           0       0.84      0.79      0.82      1040
           1       0.80      0.85      0.83      1030

    accuracy                           0.82      2070
   macro avg       0.82      0.82      0.82      2070
weighted avg       0.82      0.82      0.82      2070

2.lightgbm

from lightgbm import LGBMClassifier

classifier_lgbm = LGBMClassifier(learning_rate= 0.01,max_depth = 3,n_estimators = 1000)

model(classifier_lgbm,x_train,y_train,x_test,y_test)

结果为：

Cross Validation Score:  90.48%
ROC_AUC Score:  82.91%

model_evaluation(classifier_lgbm,x_test,y_test)

  precision    recall  f1-score   support

           0       0.85      0.80      0.82      1040
           1       0.81      0.86      0.83      1030

    accuracy                           0.83      2070
   macro avg       0.83      0.83      0.83      2070
weighted avg       0.83      0.83      0.83      2070

3.random forest

from sklearn.ensemble import RandomForestClassifier

classifier_rf = RandomForestClassifier(max_depth = 4,random_state = 0)

model(classifier_rf,x_train,y_train,x_test,y_test)

结果为：

Cross Validation Score:  85.70%
ROC_AUC Score:  78.44%

model_evaluation(classifier_rf,x_test,y_test)

precision    recall  f1-score   support

           0       0.83      0.72      0.77      1040
           1       0.75      0.85      0.80      1030

    accuracy                           0.78      2070
   macro avg       0.79      0.78      0.78      2070
weighted avg       0.79      0.78      0.78      2070

4.decision tree

from sklearn.tree import DecisionTreeClassifier

classifier_dt = DecisionTreeClassifier(random_state = 1000,max_depth = 4,min_samples_leaf = 1)

model(classifier_dt,x_train,y_train,x_test,y_test)

结果为：

Cross Validation Score:  84.27%
ROC_AUC Score:  76.85%

model_evaluation(classifier_dt,x_test,y_test)

precision    recall  f1-score   support

           0       0.76      0.80      0.78      1040
           1       0.78      0.74      0.76      1030

    accuracy                           0.77      2070
   macro avg       0.77      0.77      0.77      2070
weighted avg       0.77      0.77      0.77      2070

七、数据分析结论

为了降低客户流失率和增加收入，有几项措施需要采取，首印象极其重要！目标客户群应该包括：高龄客户、有伴侣的客户以及独居客户。

高龄客户虽然数量不多，但他们的月费用下限比其他客户高，这意味着高龄客户愿意支付更高的费用，但他们需要相应水平的服务。对于有伴侣的客户和独居客户来说，他们更倾向于选择月费低于65美元的服务。

为了建立坚实的客户基础，电信公司需要为其服务创造一个简单且经济实惠的入门点。在最初的6个月内，需要重点关注在线安全、在线备份、设备保护和技术支持，因为这段时间对客户来说最为关键和不确定。他们必须降低这些服务40至50个月的客户流失期！

一旦他们为客户建立了坚实的支持服务体系，就需要推广多线路和光纤电缆在电话服务和互联网服务中的使用。但这两项服务的主要障碍是月费用起点超过75美元。

因此，他们需要创建电话服务和互联网服务的选项组合，使这些月费用的平均值在100至120美元范围内：

无多线路 + 光纤
多线路 + DSL

这将提高用户的平均收入，因为它完全排除了选择无多线路 + DSL的组合，其平均月费可能在60至70美元之间！流媒体电视和流媒体电影服务需要变得更加经济实惠，并减少其客户流失期。这些服务的内容应该面向所有类型的客户。此外，需要提供一个简单且无忧的支付方式。

由于电子支票的高流失率，公司需要停止使用电子支票作为支付手段，完全转向银行转账（自动）和信用卡（自动）支付。然而，这两种支付方式的挑战在于，需要减少其超过20个月的中位客户流失期，这是电子支票客户流失期的两倍。

电子支票的月费用下限约为60美元，而银行转账（自动）和信用卡（自动）的下限约为20美元。无纸化账单是另一个起点为60美元的昂贵特性，而其他选项的起点较低，仅为20美元。

一旦任何单项服务的月费达到70美元标记，客户就会非常关注他们的月费用。服务质量需要成为电信公司的卖点！这些措施将推动收入增长并改善当前的价值交付过程！

查平平

关注

41
点赞
踩
24

收藏

觉得还不错? 一键收藏
0
评论
项目三：运营商客户流失分析

性别：男性 = 女性高龄用户：非高龄用户 > 高龄用户伴侣：无伴侣 > 有伴侣家属：无家属 > 有家属电话服务：有电话服务 > 无电话服务多线服务：有多线服务 > 无多线服务 > 无电话服务互联网服务：光纤 > DSL > 无互联网服务在线安全：无 > 有 > 无互联网服务在线备份：无 > 有 > 无互联网服务设备保护：无 > 有 > 无互联网服务技术支持：无 > 有 > 无互联网服务流媒体电视：无 > 有 > 无互联网服务。
复制链接

扫一扫