航空公司客户价值分析

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

来源：https://www.cnblogs.com/caicaihong/p/5853727.html

标签

data

数据挖掘