客户价值分析

# 对数据进行基本的探索
# 返回缺失值个数以及最大、最小值
# encoding:utf-8
import pandas as pd
datafile = r'../data/air_data.csv'     # 航空原始数据，第一行为属性标签
resultfile = r'../tmp/explore.csv'     # 数据探索结果表

data = pd.read_csv(datafile, encoding = 'utf-8')
# 包括对数据的基本描述，percentiles参数是指定计算多少的分位数表（如1/4分位数、中位数等）
explore = data.describe(percentiles = [], include = 'all').T
# describe()函数自动计算非空值数，需要手动计算空值
explore['null'] = len(data)-explore['count']

explore = explore[['null','max','min']]
explore.columns = [u'空值数', u'最大值', u'最小值'] #表头重命名
'''
这里只选取部分探索结果。
describe()函数自动计算的字段有count(非空值数)、unique(唯一指数)、top（频数最高者）、
freq（最高频数）、mean（平均值）、std（方差）、min（最小值）、50%（中位数）、max（最大值）
'''
explore.to_csv(resultfile)



# 客户信息类别
# 提取会员入会年份
from datetime import datetime
import matplotlib.pyplot as plt

ffp = data['FFP_DATE'].apply(lambda x:datetime.strptime(x,'%Y/%m/%d'))
ffp_year = ffp.map(lambda x : x.year)
# 绘制各年份会员入会人数直方图
fig = plt.figure(figsize=(8,5)) # 设置画布大小
plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False #用来显示负号
plt.hist(ffp_year, bins = 'auto', color='#0504aa')
plt.xlabel('年份')
plt.ylabel('入会人数')
plt.title('各年份会员入会人数 3105')
plt.show()
plt.close

# 提取会员不同性别人数
male = pd.value_counts(data['GENDER'])['男']
female = pd.value_counts(data['GENDER'])['女']
# 绘制会员性别比例饼图
fig = plt.figure(figsize=(7, 4)) # 设置画布大小
plt.pie([male,female],labels=['男','女'],colors=['lightskyblue','lightcoral'],autopct='%1.1f%%')
plt.title('会员性别比例 3105')
plt.show()
plt.close

#提取不同级别会员的人数
lv_four = pd.value_counts(data['FFP_TIER'])[4]
lv_five = pd.value_counts(data['FFP_TIER'])[5]
lv_six = pd.value_counts(data['FFP_TIER'])[6]

#绘制会员各级别人数条形图
fig = plt.figure(figsize=(8,5)) #设置画布大小
plt.bar(x=range(3),height=[lv_four,lv_five,lv_six], width=0.4, alpha=0.8, color='skyblue')
plt.xticks([index for index in range(3)],['4','5','6'])
plt.xlabel('会员等级')
plt.ylabel('会员人数')
plt.title('会员各级别人数 3105')
plt.show()
plt.close

# 提取会员年龄
age = data['AGE'].dropna()
age = age.astype('int64')
# 绘图会员年龄分布箱型图
fig = plt.figure(figsize=(5, 10))
plt.boxplot(age,
           patch_artist=True,
           labels = ['会员年龄'],   # 设置x轴标题
           boxprops = {'facecolor':'lightblue'}) # 设置填充颜色
plt.title('会员年龄分布箱型图 3105')
# 显示y坐标的底线
plt.grid(axis='y')
plt.show()
plt.close

# 7-3 探索客户乘机信息分布情况
lte = data['LAST_TO_END']
fc = data['FLIGHT_COUNT']
sks = data['SEG_KM_SUM']

#绘制最后乘机至结束时长箱型图
fig = plt.figure(figsize=(5,8))

plt.boxplot(lte,
            patch_artist=True,  
           labels = ['时长'], #设置x轴标题
           boxprops = {'facecolor':'lightblue'}) #设置填充颜色
plt.title('会员最后乘机至结束时长分布箱型图 学号3105')
#显示y坐标轴的底线
plt.grid(axis='y')
plt.show()
plt.close

#绘制客户飞行次数箱型图
fig = plt.figure(figsize=(5,8))
plt.boxplot(fc,
            patch_artist=True,  
           labels = ['飞行次数'], #设置x轴标题
           boxprops = {'facecolor':'lightblue'}) #设置填充颜色

plt.title('会员飞行次数分布箱型图 学号3105')
# 显示y坐标的底线
plt.grid(axis='y')
plt.show()
plt.close

# 绘制客户总飞行公里数箱型图
fig = plt.figure(figsize=(5,10))
plt.boxplot(sks,
           patch_artist=True,
           labels = ['总飞行公里数'],   # 设置x轴标题
           boxprops = {'facecolor':'lightblue'}) # 设置填充颜色
plt.title('客户总飞行公里数箱型图 学号3105')
# 显示y坐标的底线
plt.grid(axis='y')
plt.show()
plt.close



# 33333333333333333

# 7-4 探索客户的积分信息分布情况
# 积分信息分类
# 提取会员积分兑换次数
ec = data['EXCHANGE_COUNT']

#绘制会员兑换积分次数直方图
fig = plt.figure(figsize=(8,5))
plt.hist(ec, bins=5, color='#0504aa')
plt.xlabel('兑换次数')
plt.ylabel('会员人数')
plt.title('会员兑换积分次数分布直方图 学号3105')
plt.show()
plt.close

# 提取会员总累计积分
ps = data['Points_Sum']
# 绘制会员总累计积分箱型图
fig = plt.figure(figsize=(5,8))
plt.boxplot(ps, 
            patch_artist=True,  
           labels = ['总累计积分'], #设置x轴标题
           boxprops = {'facecolor':'lightblue'}) #设置填充颜色
plt.title('客户总累计积分箱型图 学号3105')
#显示y坐标轴的底线
plt.grid(axis='y')
plt.show()
plt.close

# 444444444444

# 7-5 相关系数矩阵与热力图
# 提取属性并合并为新数据集
data_corr = data[['FFP_TIER', 'FLIGHT_COUNT', 'LAST_TO_END', 'SEG_KM_SUM', 'EXCHANGE_COUNT', 'Points_Sum']]
age1 = data['AGE'].fillna(0)
data_corr['AGE'] = age1.astype('int64')
data_corr['ffp_year'] = ffp_year

#计算相关性矩阵
dt_corr = data_corr.corr(method='pearson')
print('相关性矩阵为：\n', dt_corr)

# 绘制热力图
import seaborn as sns
plt.subplots(figsize=(10, 10))
sns.heatmap(dt_corr, annot=True, vmax=1, square=True, cmap='Blues')
plt.title('学号3105')
plt.show()
plt.close

#代码7-6 清洗空值与异常值
import numpy as np
import pandas as pd

datafile = "../data/air_data.csv"
cleanedfile = "../tmp/data_cleaned.csv"

#读取数据
airline_data = pd.read_csv(datafile,encoding = 'utf-8')
print('原始数据的形状为:',airline_data.shape)

#去除票价为空的记录
airline_notnull = airline_data.loc[airline_data['SUM_YR_1'].notnull() &
                                  airline_data['SUM_YR_2'].notnull(),:]
print('删除缺失记录后数据的形状为：',airline_notnull.shape)

# 只保留票价非零的，或者平均折扣率不为0且总飞行公里数大于0的记录
index1 = airline_notnull['SUM_YR_1'] != 0
index2 = airline_notnull['SUM_YR_2'] != 0
index3 = (airline_notnull['SEG_KM_SUM']>0) & (airline_notnull['avg_discount'] != 0)
index4 = airline_notnull['AGE'] >100 # 去除年龄大于100的记录
airline = airline_notnull[(index1 | index2) & index3 & ~index4]
print('数据清洗后数据的形状为：', airline.shape)

airline.to_csv(cleanedfile) # 保存清洗后的数据

# 7-7 属性选择
import pandas as pd
import numpy as np

# 读取数据清洗后的数据
cleanedfile = "../tmp/data_cleaned.csv" # 数据清洗后保存的文件路径
airline = pd.read_csv(cleanedfile, encoding='utf-8')
# 选取需求属性
airline_selection = airline[['FFP_DATE', 'LOAD_TIME', 'LAST_TO_END', 'FLIGHT_COUNT', 'SEG_KM_SUM', 'avg_discount']]
print('筛选的属性前5行为：\n', airline_selection.head())

# 7-8 属性构造与数据标准化
# 构造属性L
L = pd.to_datetime(airline_selection['LOAD_TIME']) -  pd.to_datetime(airline_selection['FFP_DATE'])
L = L.astype('str').str.split().str[0]
L = L.astype('int')/30

# 合并属性
airline_features = pd.concat([L,airline_selection.iloc[:,2:]],axis=1)
print('构建的LRFMC属性前5行为：\n', airline_features.head())

# 数据标准化
from sklearn.preprocessing import StandardScaler
data = StandardScaler().fit_transform(airline_features)
np.savez('../tmp/airline_scale.npz', data)
print('标准化后LRFMC 5个属性为：\n', data[:5,:])

#代码7-9 K-Meas聚类标准化后的数据
import pandas as pd
import numpy as np
from sklearn.cluster import KMeans #导入K-Mmeans算法

#读取标准化后的数据
airline_scale = np.load('../tmp/airline_scale.npz')['arr_0']
k = 5 #确定聚类中心数

#构建模型，随机种子设为123
kmeans_model = KMeans(n_clusters=k,n_jobs=4,random_state=123)
fit_kmeans = kmeans_model.fit(airline_scale) #模型训练

#查看聚类结果
kmeans_cc = kmeans_model.cluster_centers_ #聚类中心
print('各聚类中心为：\n',kmeans_cc)
kmeans_labels = kmeans_model.labels_ #样本的类别标签
print('各样本的类别标签为：\n',kmeans_labels)
r1 = pd.Series(kmeans_model.labels_).value_counts() #统计不同类别样本的数目
print('最终每个类别的数目为：\n',r1)
#输出聚类分群的结果
cluster_center = pd.DataFrame(kmeans_model.cluster_centers_,\
                             columns = ['ZL','ZR','ZF','ZM','ZC']) #将聚类中心放在数据中
cluster_center.index = pd.DataFrame(kmeans_model.labels_).\
                             drop_duplicates().iloc[:,0] #将样本类别作为数据框索引
print(cluster_center)