python kmeans聚类结果怎么分析_Python K-means用户聚类分析（小白练手）

数据分析渣一枚，SQL语言写6了，python还在不断进阶阶段，结合已有的数据源+两年前看的一点python基础+网上参考的无数实例，试写一个K-means的聚类分析，请各位大神们疯狂鞭挞，各位小白们互相学习进步吖>o" />

选取2019年第四季度某产品用户数据，开始具体编写：

导入模块

#导入数据分析大家庭

import pandas as pd

import numpy as np

from sklearn.cluster import KMeans #聚类模块

import matplotlib.pyplot as plt #画图模块

from matplotlib.font_manager import FontProperties #字体模块

font = FontProperties(fname=r"C:\Windows\Fonts\simhei.ttf", size=14) #先在网上下载simhei.ttf，放到Windows文件夹的Fonts文件夹里

导入数据

#打开excel文件,header=None为列添加编号

data1 = pd.read_excel(r"D:\python实战\第四季度用户产品明细-聚类.xlsx",header=None)

#插入列名

data1.columns=['store_id','course_id','course_type','course','start_time','user_id','birthday','age','late_book_time','book_time','book_id','money']

清洗数据

#去重

data1.drop_duplicates()

#查看空值情况

data1.isnull().sum()

print(data1.isnull().sum())

birthday列的空值太多了，剔除。

#删除birthday列的空值

print('删除空值前：',data1.shape)

data1.dropna(subset=['birthday'],inplace=True)#True=不创建新的对象，直接对原始对象进行修改,默认是False，即创建新的对象进行修改，原对象不变。

print('删除空值后：',data1.shape)

#查看money列异常值

data1.describe()['money']

print(data1.describe()['money'])

money列存在极值和0，将money根据业务选定一个合理的范围。

data1=data1.loc[(data1['money'] > 10)]

data1=data1.loc[(data1['money'] <1000)]

规范数据类型

#查看数据类型

data1.info()

#late_book_time字段改为日期型,必须新增一列'late_time'，无法在原始列上改类型

data1.loc[:,'late_time'] = pd.to_datetime(data1.loc[:,'late_book_time'],format='%Y-%m-%d',errors='coerce')

将出生日期改为年龄(源数据age列0值太多，选择出生日期作为年龄统计)

import datetime as dt

now_year = dt.datetime.today().year #算当前年份

data1.loc[:,'agenew'] = now_year - data1.loc[:,'birthday'].dt.year #新增年龄列，当前年份减去生日年份算年龄

聚类分析数据准备

需要用到年龄、消费次数、消费金额，顺便学一下merge函数了

#计算需要聚类的消费次数和消费总金额

buytimes = data1.groupby('user_id')['book_id'].count().reset_index().rename(columns={'book_id':'times'}) #以user_id分组，计数订单编号，建立一列索引后，重命名计数列列名

print(buytimes)

moneysum = data1.groupby('user_id')['money'].sum().reset_index().rename(columns={'money':'moneysum'})

print(moneysum)

agenew = data1.groupby('user_id')['agenew'].max().reset_index()

print(agenew)

#合并上面三个计算表

datauser1 = pd.merge(buytimes, moneysum,on = "user_id")

datauser2 = pd.merge(datauser1,agenew,on = "user_id")

print(datauser2)

开始聚类

选择聚类最佳选择分组数，使用肘部法。(轮廓系数没法看明白，以后补充)

肘部法，可以比较简单的理解为当聚类组数越多，误差平方和就会越小，逐渐趋于平稳，找到平稳前的那个点，就是我们要的组数。

SSE = [] #误差平方和

for i in range(1,11): #k取值1~11，做kmeans聚类，看不同k值对应的簇内误差平方和

km = KMeans(n_clusters=i) #init：初始值选择方式，可选值：'k-means++'(用均值)、'random'(随机)、an ndarray(指定一个数组)，默认为'k-means++'。

km.fit(datauser2[['times','moneysum','agenew']])

SSE.append(km.inertia_) # inertia簇内误差平方和 append()在末尾添加一列

plt.plot(range(1, 11), SSE, marker='o') # marker添加折现上数值对应点

plt.xlabel(u'聚类组数', FontProperties=font)

plt.ylabel(u'误差平方和', FontProperties=font)

plt.show()

图中看到，当组数=5，是拐点。

#n_cluster = 5

kmodel = KMeans(n_clusters=5)

kmodel.fit(datauser2[['times','moneysum','agenew']]) #选择聚类的指标，进行聚类

查看聚类结果，先根据聚类提取相关指标

label = pd.Series(kmodel.labels_) #统计各个类别的数目#Series 是一维数组按列竖着排

print(label)

num = pd.Series(kmodel.labels_).value_counts() #统计各个类别内的数目

print(num)

center = pd.DataFrame(kmodel.cluster_centers_) #找出聚类中心，质心的值

print(center)

r = pd.concat([center, num], axis = 1) #横向连接(0是纵向), 得到聚类中心对应的类别下的数目

print(r)

r.columns = list(datauser2[['times','moneysum','agenew']].columns) + [u'类别数目'] #重命名表头

print(r)

结论

用户分层不明显，说明年龄、消费次数和金额这三个维度的用户非常相似。

“0类”的消费群体最为庞大。平均一个季度购买产品12次，等于一个月消费4次，一周一次的频率，相对年轻群体。可以通过刺激用户活跃度增加消费次数，通过发送周优惠券提升消费品率。

“2类”和“3类”消费次数平均一周消费3次-4次，频率高，但用户数量较少，可以成为重点保持用户，防止流失。保证产品质量的同时，通过活动、优惠等手段按频率刺激活跃度。

“1类”用户消费次数频繁且消费份额很高，可以考虑将其纳入vip体系，给予特权，重点维护。