顾客使用天猫优惠劵预测python实战

顾客使用天猫优惠劵预测

“天猫”（Tmall）原名淘宝商城，是一个综合性购物网站，是马云淘宝网全新打造的B2C（Business-to-Coustomer，商业零售）品牌。其整合数千家品牌商，生产商，为商家和消费者之间提供一站式解决方案，提供100%品质保证的商品，7天无理由退货的售后服务，以及购物积分返现等优质服务。

问题：基于所给的数据，利用Python进行数据分析和建立逻辑回归模型，对顾客是否使用优惠劵进行预测。

数据表的主要字段：
ID：记录编号
age：年龄
job：职业
marital：婚姻状态
default：花呗是否有违约（类别型变量）
returned：是否有过退货（类别型变量）
loan：是否使用花呗结账（类别型变量）。
coupon_used_in_last6_month：过去6个月使用的优惠劵数量
coupon_used_in_last_month：过去1个月使用的优惠劵数量
coupon_ind：该次活动中是否有使用优惠劵（预测目标）

打开python，开始敲代码
首先导入相关的库和数据文件

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
get_ipython().run_line_magic('matplotlib', 'inline')

#解决中文和负号不正常显示的问题
plt.rcParams['font.sans-serif']='SimHei'
plt.rcParams['axes.unicode_minus']=False

df=pd.read_csv(r'Tmall.csv')

#查看数据概括
df.info()

#查看前5行数据
df.head()

#查看job变量的所有不重复值
df.job.value_counts()

#查看marital变量的所有不重复值
df.marital.value_counts()

对于类别型变量，需要进行哑变量处理。我个人认为job和marital变量不需要进行哑变量处理。job变量的非重复值太多了，经过哑变量处理会使数据显得冗余。marital变量有3个非重复值，可以用下文的相关性分析，没有必要进行哑变量处理。
需要进行哑变量处理的变量为：default，returned，loan。（都是2分类变量）

#把default、returned、loan三个变量单独取出来进行哑变量处理get_dummies()。
df1=df[['default','returned','loan']]
df1=pd.get_dummies(df1)
df1.head()

#把处理后的表格和原表进行拼接concat()
df=pd.concat([df,df1],axis=1)

df.head()

#删除不需要用到的变量（删除列）
df.drop(['default','default_no','returned','returned_no','loan','loan_no','ID'],axis=1,inplace=True)

#为了方便，重命名coupon_ind为flag
df=df.rename(columns={'coupon_ind':'flag'})

df.head()

数据预处理完成，然后对于关键预测变量进行分析。

df.flag.value_counts()

df.flag.value_counts(1)

#观察均值大小
#对于数据为0和1的数据，观察均值的大小有利于了解该变量在flag上的分布情况
summary=df.groupby('flag')
summary.mean()

然后实现数据可视化以及相关性分析。

#return_yes（1，有。0，无）是否有过退货和flag的关系图
sns.countplot(y='returned_yes',hue='flag',data=df)

sns.countplot(y='default_yes',hue='flag',data=df)

sns.countplot(y='marital',hue='flag',data=df)

sns.distplot(df['age'])

#对于年龄进行快速分组，探究各个年龄段对于是否使用优惠劵的影响
#df.age.value_count().sort_values() 这里如何按照年龄大小进行排列？？？
bins=[0,20,40,60,80,100]
labels=['0-20','20-40','40-60','60-80','80-100']
df['age_new']=pd.cut(df.age,bins,right=False,labels=labels)
df.groupby(['age_new'])['age'].describe()

age_new_counts=df['age_new'].value_counts()
print(age_new_counts)

#绘制年龄的饼图
plt.figure(figsize=(8,8))
plt.title('不同年龄段的分布情况')
plt.pie(age_new_counts,labels=['20-40','40-60','60-80','80-100','0-20'],autopct='%1.2f%%')
plt.show()

#不同年龄段和是否使用优惠劵的关系图
sns.countplot(y='age_new',hue='flag',data=df)

#查看相关系数
df.corr()[['flag']].sort_values('flag',ascending=False)

结论：
1，天猫优惠劵的使用率明显较低，只有小部分的顾客会使用天猫优惠劵。
2，相比于有过退货记录的顾客，没有退货记录的顾客使用优惠劵的概率较高。
相比于有花呗违约记录的顾客，没有花呗违约记录的顾客使用优惠劵的概率较高。
3，使用天猫优惠劵的总人数：已婚顾客>单身顾客>未知婚姻状态的顾客。
使用天猫优惠劵的顾客比例：单身顾客>=未知婚姻状态的顾客>已婚顾客。
4，20-40岁和40-60岁的顾客占大部分，占比高达95.9%。60-80岁的顾客使用优惠劵的比例最高。
5，coupon_used_in_last_month和age变量和flag变量是正相关关系，剩余变量和flag变量是负相关关系。

接着建立逻辑回归分类模型

y=df['flag']
x=df[['default_yes','loan_yes','returned_yes']]

#划分训练集和测试集
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.3,random_state=100)

#建模
from sklearn import linear_model
lr=linear_model.LogisticRegression()
lr.fit(x_train,y_train)

#输出截距和相关系数
print(lr.intercept_)
print(lr.coef_)

#进行预测
y_train_pred=lr.predict(x_train)
y_test_pred=lr.predict(x_test)

#评估模型效果
import sklearn.metrics as metrics
metrics.confusion_matrix(y_train,y_train_pred)

#计算准确率（训练集）
metrics.accuracy_score(y_train,y_train_pred)

#计算准确率（测试集）
metrics.accuracy_score(y_test,y_test_pred)

模型的优化
通过调整模型测试集和训练集的划分比例test_size进行优化，重新跑一下结果，比较准确率的大小。准确率越大，模型效果越好。