【挖掘模型】：Python-KMeans算法聚类消费行为特征数据

原理：快速聚类法，在最小化误差函数的基础上将数据划分为预定类数K，简单并便于处理大数据 K-Means是聚类算法

    # 目标：把n个样本点划分到K个类中，使得每个点属于离它最近的质心对应的类，以之作为聚类的标准
    # ken老师计算步骤：
        # 随机找出三个点，作为质点
        # 其他的点，分别于这三个点记录最近的点一组
        # 把每组中心，作为新的质点
        # 再次计算每个点，与质心的距离，归为质心最近的那一组
        # 把每组的中心，作为新的质点
        # 如果新的分组成员不在变化，并且质心不在变化，聚类完成
    # API:
        # sklearn.cluster.Kmeans(n_cluters_要聚类的个数 = 8) 
        # fit(data_训练数据) 训练模型
        # predict(data_需要预测的数据) 
    
    # 典型的基于距离的非层次聚类算法，在最小化误差函数的基础上将数据划分预定的类数K，采用距离作为相似性的评级指标
    # K的含义：K是人工固定好的数字，假设数据集合可以分为K个簇，由于是依靠人工定好，需要一点先验知识
    # 算法过程   聚类的结果可能依赖于初始聚类中心的随机选择，可能使得结果严重偏离全局最优分类，需要多次测试K值
        # 1. 从N个样本数据中随机选取K个对象作为初始的聚类中心
        # 2. 分布计算每个样本到各个聚类中心的距离，将对象分配到距离近的聚类中
        # 3. 所有对象分配完成后，重新计算K各聚类的中心
        # 4. 与前一次计算得到的K个聚类中心比较，如果聚类中心发生变化，换过程2，否则转过程5
        # 5. 当质心不发生变化时停止输出聚类结果
    # 数据类型与相似性的度量
        # 连续属性，先要对各个属性值进行标准化，在进行距离计算
        # 文档数据，使用余弦相似度度量，现将文档整理成文档-词矩阵格式
        # 目标函数
    # 代码模型解释
        # .fit()  来训练模型
        # .lable_ 训练好之后，给样本数据的标签
        # .predict() 预测新的输入的标签

数据源

consumption_data.xls

结果

Paste_Image.png

客户价值：

分群1特点： R间隔相对较小，主要集中在0_{30天，消费次数集中在20}25次，消费金额在500~2000，
时间间隔短，消费次数多，而且消费金额大，是高消费，高价值人群
分群2特点： R间隔分布在0_{30天，消费次数集中在0}12次，消费金额在0~1800，
时间间隔，消费次数以及消费金额处于中等水平，一般客户
分群3特点： R间隔相对较大，间隔分布在30_{80天，消费次数集中在0}15次，消费金额在0~2000，
时间间隔长，消费次数少，消费金额一般，是价值较低的用户

源代码

import pandas as pd

#参数初始化
inputfile = 'F:/python 数据挖掘分析实战/Data/consumption_data.xls' #销量及其他属性数据
outputfile = 'F:/python 数据挖掘分析实战/Output/data_type.xls' #保存结果的文件名
k = 3 #聚类的类别
iteration = 500 #聚类最大循环次数
data = pd.read_excel(inputfile, index_col = 'Id') #读取数据
data_zs = 1.0*(data - data.mean())/data.std() #数据标准化

from sklearn.cluster import KMeans
model = KMeans(n_clusters = k, n_jobs = 4, max_iter = iteration) #分为k类，并发数4
model.fit(data_zs) #开始聚类

#简单打印结果
r1 = pd.Series(model.labels_).value_counts() #统计各个类别的数目
r2 = pd.DataFrame(model.cluster_centers_) #找出聚类中心
r = pd.concat([r2, r1], 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
r.columns = list(data.columns) + [u'类别数目'] #重命名表头
print(r)

#详细输出原始数据及其类别
r = pd.concat([data, pd.Series(model.labels_, index = data.index)], axis = 1)  #详细输出每个样本对应的类别
r.columns = list(data.columns) + [u'聚类类别'] #重命名表头
r.to_excel(outputfile) #保存结果


def density_plot(data): #自定义作图函数
  import matplotlib.pyplot as plt
  plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
  plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号
  p = data.plot(kind='kde', linewidth = 2, subplots = True, sharex = False)
  [p[i].set_ylabel(u'密度') for i in range(k)]
  plt.legend()
  return plt

pic_output = 'F:/python 数据挖掘分析实战/Output/pd_1' #概率密度图文件名前缀
for i in range(k):
  density_plot(data[r[u'聚类类别']==i]).savefig(u'%s%s.png' %(pic_output, i))

参考资料：《Python数据分析与挖掘实战》