Python学习笔记|【Python数据分析】数据探索+ 数据预处理大数据|python

数据探索+ 数据预处理

一、数据探索
二、数据预处理
- *基于客户价值分析案例（类似用户画像）*
- 1. 基本理论
- - 1.1 RFM模型
  - - 获取 RFM
    - RFM：【用户的属性】
  - 1.2 聚类分析【RFM 结果数据】
  - 1.3 RFM聚类分析
- 2.RFM聚类分析优势

一、数据探索

统计量分析：

集中趋势的度量：均值、中位数、众数…
离散趋势的度量：极值、极差、标准差、方差、四分位数间距…

相关性分析：通过散点图获取相关系数

二、数据预处理 基于客户价值分析案例（类似用户画像） 1. 基本理论

RFM模型
聚类分析（机器学习里面的算法 =》结果标签
RFM聚类分析

1.1 RFM模型
获取 RFM 根据用户属性进行打标签【进行分类】
=》

超级用户
普通用户
黑户

RFM：【用户的属性】 R: 最近一次消费距现在的时长【时差】 recency；
F：消费频率 frequency；
M：消费金额 mon。

eg: 客户a ： R：180F：1次/月 M：100块/月客户b ： R：3F：10次/月 M：1000块/月 RFM模型=> b 超级用户 a 流式用户标准： 1.RFM 高 =》【超级用户、重要价值用户】【R 表示最近消费时间很近 R值很小】 2.R低 FM高= 》【保持客户】 3.RM高 F低 =》【发展客户】 4.RF低 M高 =》【挽留客户】

1.2 聚类分析【RFM 结果数据】
一个可以分类的工具
聚类分析方法：