相关精彩专题链接： 数据成就更好的你

一、整体概述

1.分析流程

明确分析目的-------获取数据------数据探索与处理------数据建模------输出分析报告

2.目的

对移动用户进行细分，了解不同用户群体的消费习惯;
可对不同的用户群体制定相应的营销策略，对其进行差异化营销；

3.分析方法

样本量较大，采用K-means聚类，其算法原理如下：
1 随机选取k个中心点;
2 遍历所有数据，将每个数据划分到最近的中心点中;
3 计算每个聚类的平均值，并作为新的中心点;
4 重复2-3，直到这k个中线点不再变化（收敛了），或执行了足够多的迭代。

二、数据提取

#导入对应的模块
import numpy as np
import pandas as pd
import matplotlib
from matplotlib import pyplot as plt
import seaborn as sns
from sklearn import preprocessing
from sklearn.cluster import KMeans

matplotlib.rcParams['font.sans-serif'] = [u'SimHei']
matplotlib.rcParams['axes.unicode_minus'] = False

#数据提取
data=pd.read_csv(r"data\tel.csv",index_col=0)
data.head(5)

image.png

三、数据探索与处理

1.描述统计

data.describe()

根据统计描述结果，该数据集总共3395条数据，该数据没有缺失值，因此没必要做缺失值处理，该数据的索引是客户id编号，因此该数据也没重复值出现。

image.png

2.变量相关性分析

#.相关性分析
corr=data_std.corr(method="spearman")

sns.heatmap(corr)   #相关性热力图

image.png
image.png

相关性分析：Total_mins(总通话时长) 和 Peak_mins(工作日上班时期电话时长)的相关性比较高，相关系数为 0.923663，在做聚类分析时，将排除变量Total_mins，相关系数较高，会对聚类结果产生不利影响。

3.数据标准化

columns1=['Peak_mins', 'OffPeak_mins', 'Weekend_mins', 'International_mins', 'average_mins']
data_std=pd.DataFrame(preprocessing.scale(data[columns1]),
                      columns=columns1,
                      index=data.index)
data_std.head(5)

为了消除指标之间的量纲影响，需要进行数据标准化处理。标准化的输出结果如下： image.png

四、数据建模

1.K-means算法中K值的确定

K值可以采用经验值、手肘法、轮廓系数法等方法确定。本案例采用手肘法确定K值。
手肘法的核心思想是：
随着聚类数k的增大，样本划分会更加精细，每个簇的聚合程度会逐渐提高，那么误差平方和SSE自然会逐渐变小。并且，当k小于真实聚类数时，由于k的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度会很大，而当k到达真实聚类数时，再增加k所得到的聚合程度回报会迅速变小，所以SSE的下降幅度会骤减，然后随着k值的继续增大而趋于平缓，也就是说SSE和k的关系图是一个手肘的形状，而这个肘部对应的k值就是数据的真实聚类数。

#手肘法确定K值
SSE=[]  #存储k值对应的簇内误差平方和
for i in range(1,8):    #k取值1~8，做kmeans聚类
    km=KMeans(n_clusters=i)
    km.fit(data_std)
    SSE.append(km.inertia_)  #inertia簇内误差平方和
    
plt.xlabel('k')
plt.ylabel('SSE')
plt.plot(range(1, 8),SSE,'o-')
plt.grid(True)
plt.show()

2.观察手肘法的输出结果

image.png

3.模型建立

#参照手肘法的输出结果，这里的K值等于5
km=KMeans(n_clusters=5,init='k-means++',max_iter=1000)
target=km.fit_predict(data_std)


target_count= pd.Series(km.labels_).value_counts() #统计各个类别的数目
centers = pd.DataFrame(km.cluster_centers_) #找出聚类中心

#建立存储 聚类中心和类别数目信息表
data_centers= pd.concat([centers,target_count], axis = 1) 
data_centers.columns = list(data_std.columns) + [u'类别数目'] #重命名表头

该数据被划分为5类，其聚类中心可以把它存储起来，作为下次聚类的初始中心点。聚类中心和类目数量如下： image.png

五、聚类结果分析

#将聚类结果带入原始数据
data["target"]=target
result_avg=data.groupby("target").mean()
result_avg=result_avg.join(data.target.value_counts())
result_avg.columns=["工作日上班时期电话时长","工作日下班时期电话时长","周末电话时长","国际电话时长","总通话时长","平均每次通话时长","人数统计"]
result_avg["人员占比"]=result_avg["人数统计"]/sum(result_avg["人数统计"])

根据类别对各项求平均，解读分类结果。结果如下图： image.png

本案例共3395条记录，6个特征，采用K-means方法对其进行聚类分析，其聚类结果共划分为5类，针对电信客户的划分结果，可以了解用户的特点，可制定对应的营销策略，对其进行差异化营销。电信用户划分结果如下：

第一类(target=0)：低端客户，人员基数大，其余各项平均值都很低；
第二类(target=1)：长聊客户，每次通话时间长；
第三类(target=2)：高端商用客户，工作日上班时间通话、国际电话时长、总通话时长这三项指标都是最高的；
第四类(target=3)：中端商用客户，总通话时间居中，工作日上班时间通话比例高；
第五类(target=4)：中端日常用客户，总通话时间居中，工作日下班时间通话比例高；