Python基于K-Means聚类模型进行餐饮客户消费数据行为分析项目实战

说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后关注获取。

1.项目背景

在当今竞争激烈的餐饮行业中，了解和分析顾客的消费行为对于提升客户满意度、优化菜单设计、提高运营效率以及制定精准营销策略至关重要。随着数据科学和机器学习技术的发展，企业能够利用这些先进技术从大量的消费数据中挖掘出有价值的信息，以支持决策制定。 

本项目旨在通过Python编程语言和K-Means聚类算法对某餐饮企业的客户消费数据进行深度分析。K-Means是一种常用的无监督学习算法，它能够根据给定的数据集将相似的对象归为同一类别，从而帮助我们识别出不同的客户群体及其特征。通过对不同客户群体的深入了解，餐厅可以更好地满足每个群体的需求，提供个性化的服务和产品推荐，最终实现业务增长。

该项目不仅有助于提升餐厅的市场竞争力，同时也为数据科学家提供了一个实战平台，用以练习和展示他们在数据处理、机器学习建模及商业洞察力方面的技能。

本项目使用Python基于K-Means聚类模型进行餐饮客户消费数据行为分析项目实战。 

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

数据详情如下(部分展示)： 

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据：

关键代码：

3.2数据缺失查看

使用Pandas工具的info()方法查看数据信息：

从上图可以看到，总共有4个变量，数据中无缺失值，共100条数据。

关键代码：  

3.3数据描述性统计

通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。

关键代码如下：  

4.探索性数据分析

4.1 消费总金额折线图

用Matplotlib工具的plot()方法绘制折线图：

4.2 消费总金额分布直方图 

用Matplotlib工具的hist()方法绘制直方图：

4.3 相关性分析

从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。

5.特征工程

5.1 手肘图法确定K值

通过手肘图法进行确定K值，手肘图如下：

通过手肘图上判断，肘部数字4之后，逐渐趋于平稳，我们选择4作为聚类个数。

6.构建聚类模型 

主要通过KMeans模型算法，用于目标聚类。   

6.1 构建模型

6.2 模型输出结果信息

从上述表格可以看出，分群1占比15%，分群2占比32%，分群3占比30%，分群4占比23%。 

7.模型评估

7.1 客户聚类结果图

上图是绘制的三维客户聚类结果图，黄色高亮的大点是聚类的质心。

7.2 聚类概率密度图

聚类群1的概率密度图：

聚类群2的概率密度图：

聚类群3的概率密度图：

聚类群4的概率密度图：

1. 分群1特点：最近一次消费时间间隔集中在10左右，消费频率集中在8~11次，消费总金额集中在950元左右；
2. 分群2特点：最近一次消费时间间隔集中在15左右，消费频率集中在8次左右，消费总金额集中在210~260元； 

3）分群3特点：最近一次消费时间间隔集中在4左右，消费频率集中在6~9次，消费总金额集中在650元；  

4）分群4特点：最近一次消费时间间隔集中在10左右，消费频率集中在5~9次，消费总金额集中在550~580元； 

5）比对分析：分群1年消费总金额高、消费频率高属于高价值人群；分群3消费总金额良好、消费频率良好，属于中等人群；分群4消费总金额一般、消消费频率一般，属于一般人群；分群2消费总金额低、消费频率中等，属于价格较低的客户群体。  

8.结论与展望

综上所述，根据数据聚类结果对客户的分组，在后面展开的营销活动中，我们可以采取差异化手段进行客户分类的精准营销，以提高消费成功率，使客户的整体消费感受更好。此模型可用于日常产品的建模工作。