K-Means(K均值)是聚類最常用的方法之一，基于點與點距離的相似度來計算最佳類別歸屬。

數據來源業務部門，這些數據是關于客戶的，苦于沒有分析入手點希望數據部門通過對這些數據的分析，給業務部門一些啟示，或者提供數據后續分析或者業務思考的建議。

基于以上的場景的描述和需求，由于業務部門可以自己做一些描述性的統計分析，以及此次數據屬于探索性數據分析，沒有之前的參考案例。故考慮對客戶進行聚類分析，分析客戶的一些特點。

數據源鏈接：https://pan.baidu.com/s/1gx0q2k9HtTBM-T7xW3oD2Q

提取碼：1k95

數據描述：

• USER_ID：客戶id
• AVG_ORDERS：平均用戶訂單數量
• AVG_MONEY：平均訂單價值
• IS_ACTIVE：是否活躍
• SEX：性別（0,1，2分別代表未知，男，女）

1.導入庫

# 導入庫 import pandas as pd import numpy as np import matplotlib.pyplot as pltfrom sklearn.cluster import KMeans #Kmeans from sklearn.preprocessing import MinMaxScaler#數據標準化包 # x效果評估模塊 from sklearn.metrics import silhouette_score , calinski_harabaz_score#忽略警告信息 import warnings warnings.filterwarnings('ignore')#解決中文亂碼問題 plt.rcParams['font.sans-serif']=['SimHei'] #用來正常顯示中文標簽 plt.rcParams['axes.unicode_minus']=False #用來正常顯示負號

2.導入數據文件

# 導入數據文件 raw_data = pd.read_csv('F:pythonpython數據分析與數據運營課本數據chapter4cluster.txt') # 數值型特征 numeric_features = raw_data.iloc[:,1:3] raw_data.head()

numeric_features.head()

3.數據標準化

# 數據標準化 scaler = MinMaxScaler() scaled_numeric_features = scaler.fit_transform(numeric_features) print(scaled_numeric_features[:,:2])

4.訓練模型

#設置聚類數量 n_clusters = 3 # random_state = 0的目的是保證每次訓練時的初始值一致 model_kmeans = KMeans(n_clusters = n_clusters,random_state = 0) model_kmeans.fit(scaled_numeric_features)''’對象持久化：將模型保存至硬盤，便于后期使用時直接調用''' import pickle # dump:將python對象序列化保存至本地文件 pickle.dump(model_kmeans,open('my_model_object.pk1','wb')) #load:從本地文件讀取python對象并恢復實例對象 model_kmeans = pickle.load(open('my_model_object.pk1','rb'))

5.模型效果指標評估

# 輸出總樣本量，總特征數 n_sample,n_feature = raw_data.iloc[:,1:].shape print('n_sample: %d n n_feature: %d'%(n_sample,n_feature))

n_sample: 1000
n_feature: 4

# 非監督式評估方法 # 平均輪廓系數 silhouette_s = silhouette_score (scaled_numeric_features,model_kmeans.labels_,metric ='euclidean') # calinski和harabaz得分 calinski_harabaz_s = calinski_harabaz_score(scaled_numeric_features,model_kmeans.labels_) print('silhouette_s: %f n calinski_harabaz_s: %f'%(silhouette_s,calinski_harabaz_s))

silhouette_s: 0.634086
calinski_harabaz_s: 2860.821834

silhouette_s大于0.5，說明聚類質量較優。優秀與否的基本原則是不同類別間是否具有顯著的區分效果。

6.合并數據和特征

# 整合上面的聚類標簽到原始數據中 kmeans_labels = pd.DataFrame(model_kmeans.labels_ , columns= ['labels']) #組合原始數據與標簽 kmeans_data = pd.concat((raw_data,kmeans_labels),axis = 1) kmeans_data.head()

7.計算不同類別的樣本量和占比

#計數 label_count = kmeans_data.groupby('labels')['SEX'].count() #占比 label_count_rate = label_count/kmeans_data.shape[0] kmeans_record_count = pd.concat((label_count,label_count_rate),axis=1) kmeans_record_count.columns = ['record_count','record_rate']kmeans_record_count

# 計算樣本容量 customer_count = kmeans_record_count.record_count.sum() customer_count

1000

# 畫圖 plt.pie(kmeans_record_count.record_rate,autopct="%3.1f%%",labels=kmeans_record_count.index ) plt.title('不同類別的樣本量和占比')

樣本數量共1000人

1）分類為‘0’332人，占33.2%,

2）分類為‘1’337人，占33.7%，

3）分類為‘2’331人，占33.1人

8.計算不同聚類類別數值型特征

# 查看一下數值型特征的均值情況 kmeans_numeric_features = kmeans_data.groupby('labels')[['AVG_ORDERS','AVG_MONEY']].mean() kmeans_numeric_features

kmeans_numeric_features.plot()

3個分類中，AVG_ORDERS和AVG_MONEY有輕微變化。

9.計算不同聚類類別分類類型特征

9.1 不同活躍度在不同標簽中的占比

kmeans_data['n']=1 kmeans_active_count = kmeans_data.groupby(['labels','IS_ACTIVE'])['n'].count().unstack() kmeans_active_count

# 'labels = 0' 時，活躍與不活躍用戶占比 plt.pie(kmeans_active_count.iloc[0,:],autopct="%3.1f%%",labels=kmeans_active_count.columns) plt.title('labels = 0')

# 'labels = 1' 時，活躍與不活躍用戶占比 plt.pie(kmeans_active_count.iloc[1,:],autopct="%3.1f%%",labels=kmeans_active_count.columns) plt.title('labels = 1')

# 'labels = 2' 時，活躍與不活躍用戶占比plt.pie(kmeans_active_count.iloc[2,:],autopct="%3.1f%%",labels=kmeans_active_count.columns) plt.title('labels = 2')

由上面的3個餅圖可知，用戶是否活躍對標簽的影響不大，在各分類中，活躍與不活躍用戶基本各占50%。

9.2不同性別在不同標簽中的占比

kmeans_sex_count = kmeans_data.groupby(['labels','SEX'])['n'].count().unstack() kmeans_sex_count

# 'labels = 0' 時，各性別用戶占比 plt.pie(kmeans_sex_count.iloc[0,:],autopct="%3.1f%%",labels=kmeans_sex_count.columns) plt.title('labels = 0')

# 'labels = 1' 時，各性別用戶占比 plt.pie(kmeans_sex_count.iloc[1,:],autopct="%3.1f%%",labels=kmeans_sex_count.columns) plt.title('labels = 1')

# 'labels = 2' 時，各性別用戶占比 plt.pie(kmeans_sex_count.iloc[2,:],autopct="%3.1f%%",labels=kmeans_sex_count.columns) plt.title('labels = 2')

由上面的3個餅圖可知，性別對分類的影響比較大，近似可以看做每個性別類型對應一個分類。

總結：

通過kmeans聚類分析主要得出以下結論:

使用 kmeans對客戶信息進行聚類，共3個分類，silhouette_s大于0.5，說明聚類質量較優；

樣本數量共1000人

分類為‘0’332人，占33.2%,

分類為‘1’337人，占33.7%，

分類為‘2’331人，占33.1人

3個分類中，AVG_ORDERS和AVG_MONEY有輕微變化；

用戶是否活躍對標簽的影響不大，在各分類中，活躍與不活躍用戶基本各占50%；

用戶性別對分類的影響比較大，近似可以看做每個性別類型對應一個分類。

總結

以上是生活随笔為你收集整理的调用kmeans_聚类分析—KMeans的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。