航空公司客户价值分析

Posted 2020-08-08 你若精彩，蝴蝶自来

根据抽取的数据，进行数据探索分析，本案例的探索分析，主要是缺失值分析和异常值分析，通过观察数据，我们得知，数据存在票价为空值，票价最小值为0，折扣率最小值为0，总飞行公里数大于0的情况。

票价为空，可能是客户不存在乘机记录造成的，其它客户可能是因为客户乘坐0折机票或者积分兑换产生的。

然后计算出每个属性对应的空值的属性和最大值和最小值，然后再进行数据的清洗和变换，数据探索的代码如下：

# -*- coding: utf-8 -*-
import pandas as pd
inputfile=\'F:\\\\python数据挖掘\\\\chapter7\\\\demo\\\\data\\\\air_data.csv\'
outputfile=\'F:\\\\python数据挖掘\\\\chapter7\\\\demo\\\\tmp\\\\tansuo.xls\'
data=pd.read_csv(inputfile,encoding=\'utf-8\')
tansuo=data.describe(percentiles=[],include=\'all\').T
tansuo[\'null\']=len(data)-tansuo[\'count\']
tansuo=tansuo[[\'null\',\'max\',\'min\']]
tansuo.columns=[u\'空值数\',u\'最大值\',u\'最小值\']
tansuo.to_excel(outputfile)
#print(tansuo)

得出的结果为：各个属性的空值数和最大值和最小值，保存到相对应的路径。

对数据的清洗：

去掉票价为空值，保存票价不为o，然后折扣为0，总的飞行路线为0的情况。

最后得出结果，保存到excel文档中。

相对应的代码如下：

# -*- coding: utf-8 -*-
import pandas as pd
inputfile=\'F:\\\\python数据挖掘\\\\chapter7\\\\demo\\\\data\\\\air_data.csv\'
outputfile=\'F:\\\\python数据挖掘\\\\chapter7\\\\demo\\\\tmp\\\\clean_data.xls\'
data=pd.read_csv(inputfile,encoding=\'utf-8\')
data=data[data[\'SUM_YR_1\'].notnull()*data[\'SUM_YR_2\'].notnull()]
index=data[\'SUM_YR_1\']!=0
index1=data[\'SUM_YR_2\']!=0
index2=(data[\'avg_discount\']==0) & (data[\'SEG_KM_SUM\']==0)
clean=data[index | index1 | index2]
#print(clean)
clean.to_excel(outputfile)

因为给出的数据太多，所以需要进行数据规约：

数据规约如下：

 进行提取主要影响的因素，进行数据的规约，最后根据这个数据进行模型构建，最后得出结果：

首先涉及几个因素，主要是时间的提取天数：

计算时间的天数，可以根据numpy.timedelta64进行计算得出：

结果为：

res = d_load - d_ffp
data[\'L\'] = res.map(lambda x: x / np.timedelta64(30 * 24 * 60, \'m\'))

数据规约如下：

import numpy as np
import pandas as pd
inputfile=\'F:\\\\python数据挖掘\\\\chapter7\\\\demo\\\\tmp\\\\clean_data.xls\'
outputfile=\'F:\\\\python数据挖掘\\\\chapter7\\\\demo\\\\tmp\\\\zs_data.xls\'
data=pd.read_excel(inputfile,encoding=\'utf-8\')
#data = pd.read_excel(inputfile, encoding=\'utf-8\')
data = data[[\'LOAD_TIME\', \'FFP_DATE\', \'LAST_TO_END\', \'FLIGHT_COUNT\', \'SEG_KM_SUM\', \'avg_discount\']]
# data[\'L\']=pd.datetime(data[\'LOAD_TIME\'])-pd.datetime(data[\'FFP_DATE\'])
# data[\'L\']=int(((parse(data[\'LOAD_TIME\'])-parse(data[\'FFP_ADTE\'])).days)/30)
####这四行代码费了我3个小时
d_ffp = pd.to_datetime(data[\'FFP_DATE\'])
d_load = pd.to_datetime(data[\'LOAD_TIME\'])
res = d_load - d_ffp
data[\'L\'] = res.map(lambda x: x / np.timedelta64(30 * 24 * 60, \'m\'))

data[\'R\'] = data[\'LAST_TO_END\']
data[\'F\'] = data[\'FLIGHT_COUNT\']
data[\'M\'] = data[\'SEG_KM_SUM\']
data[\'C\'] = data[\'avg_discount\']
data = data[[\'L\', \'R\', \'F\', \'M\', \'C\']]
data.to_excel(outputfile)
print(\'finish\')

存入的结果为：

接下来进行数据的标准化：

而且更改列名：

# -*- coding: utf-8 -*-
import numpy as np
import pandas as pd
inputfile=\'F:\\\\python数据挖掘\\\\chapter7\\\\demo\\\\tmp\\\\zs_data.xls\'

outputfile=\'F:\\\\python数据挖掘\\\\chapter7\\\\demo\\\\tmp\\\\zs_code_data.xls\'
data=pd.read_excel(inputfile,encoding=\'utf-8\')
data=data-data.mean(axis=0)/data.std(axis=0)
data.columns=[\'Z\'+i for i in data.columns]
#print(data.columns)
data.to_excel(outputfile)
print(\'finish\')

得出的结果为：

接下来就是对模型的构建，因为需要判断客户的价值，所以就分为几种客户，根据类别，可以给聚类中心赋值为5

 

import pandas as pd
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
from itertools import cycle
 
datafile=\'./tmp/zscore.xls\'
k=5
classoutfile=\'./tmp/class.xls\'
resoutfile=\'./tmp/result.xls\'
data=pd.read_excel(datafile)
 
kmodel=KMeans(n_clusters=k,max_iter=1000)
kmodel.fit(data)
 
# print(kmodel.cluster_centers_)
r1=pd.Series(kmodel.labels_).value_counts()
r2=pd.DataFrame(kmodel.cluster_centers_)
r=pd.concat([r2,r1],axis=1)
r.columns=list(data.columns)+[\'类别数目\']
# print(r)
# r.to_excel(classoutfile,index=False)
 
r=pd.concat([data,pd.Series(kmodel.labels_,index=data.index)],axis=1)
r.columns=list(data.columns)+[\'聚类类别\']
# r.to_excel(resoutfile,index=False)

def density_plot(data):
    plt.rcParams[\'font.sans-serif\']=[\'SimHei\']
    plt.rcParams[\'axes.unicode_minus\']=False
    p=data.plot(kind=\'kde\',linewidth=2,subplots=True,sharex=False)
    [p[i].set_ylabel(\'密度\') for i in range(k)]
    [p[i].set_title(\'客户群%d\' %i) for i in range(k)]
    plt.legend()
    return plt