【Python数据分析】数据探索+ 数据预处理
数据探索+ 数据预处理
- 一、数据探索
- 二、数据预处理
-
- *基于客户价值分析案例（类似用户画像）*
- 1. 基本理论
-
- 1.1 RFM模型
-
- 获取 RFM
- RFM： 【用户的属性】
- 1.2 聚类分析【RFM 结果数据】
- 1.3 RFM聚类分析
- 2.RFM聚类分析优势
一、数据探索
- 统计量分析 ：
- 集中趋势的度量：均值、中位数、众数…
- 离散趋势的度量：极值、极差、标准差、方差、四分位数间距…
- 相关性分析：通过散点图 获取 相关系数
二、数据预处理
基于客户价值分析案例（类似用户画像）
1. 基本理论
- RFM模型
- 聚类分析 （机器学习里面的算法 =》 结果 标签
- RFM聚类分析
1.1 RFM模型
获取 RFM
根据用户属性 进行打标签【进行分类 】
=》
- 超级用户
- 普通用户
- 黑户
RFM： 【用户的属性】
R: 最近一次消费 距现在的时长 【时差】 recency；
F：消费频率 frequency；
M：消费金额 mon。
eg:
客户a ：
R：180 F：1次/月 M：100块/月
客户b ：
R：3 F：10次/月 M：1000块/月
RFM模型=>
b 超级用户
a 流式用户
标准：
1.RFM 高 =》 【超级用户 、 重要价值用户】
【R 表示最近消费时间很近 R值很小】
2.R低 FM高= 》【保持客户】
3.RM高 F低 =》 【发展客户】
4.RF低 M高 =》 【挽留客户】
1.2 聚类分析【RFM 结果数据】
一个可以分类的工具
聚类分析方法：
- 层次聚类法
- K-均值法（Kmeans）
1.3 RFM聚类分析
- RFM 核心指标 进行 聚类分析
- Kmeans =》 用户 进行分类 =》 4个类别
- 4个类别 基于 RFM 对用户进行标注【对用户进行打标签】
2.RFM聚类分析优势
提供决策支持 。