Kmeans聚类实例④——电商用户质量聚类分析（RFM）

公众号: 数据小斑马,关注即可获得价值1000元的数据分析学习资料

Kmeans系列目录：
Kmeans聚类①——数据标准化&归一化&正则化
Kmeans聚类②——Sklearn数据生成器（make_blob/classification/circles/make_moons)
Kmeans聚类③——Kmeans聚类原理&轮廓系数&Sklearn实现
Kmeans聚类实例⑤——直播行业用户质量分析

聚类通常分为以下步骤（文末有大礼赠送）：

① 业务提出需求，或者分析师自已探索

② 根据需求，找到核心的指标。有现成的模型的话（如RFM)，可以直接按模型的指标，如果没有，先罗列出比较重要的指标

③ 从数据库用SQL取出数据

④ 对数据进行清洗，标准化/归一化/正则化

⑤ 聚类，如果是现成的模型，则直接聚类即可，如果是拟定的指标，则对各指标进行相关性验证，剔除掉相关性较高的指标，再聚类

⑥ 根据聚类结果，结合业务场景提供建议

本篇文章介绍一下电商RFM模型聚类

一、什么叫RFM?

公众号: 数据小斑马,关注即可获得价值1000元的数据分析学习资料

RFM是一种对用户质量进行聚类的模型，对应于三个指标

R(Recency)：用户最近一次消费的时间间隔，衡量用户是否存在流失可能性
F(Frequency)
：用户最近一段时间内累计消费频次，衡量用户的粘性
M（Money)： 用户最近一段时间内累计消费金额，衡量用户的消费能力和忠诚度
此模型一般通过三个指标的均值将用户进行聚类

二、聚类

公众号: 数据小斑马,关注即可获得价值1000元的数据分析学习资料

本次数据是选自某知名电商公司的2019年上半年的某品类的RFM用户数据（数据集文末有下载方式，免费）

# 项目一：电商用户质量RFM聚类分析

from sklearn.cluster import KMeans
from sklearn import metrics
import matplotlib.pyplot as plt
from sklearn import preprocessing

# 导入并清洗数据
data = pd.read_csv('RFM.csv')
data.user_id = data.user_id.astype('str')
print(data.info())
print(data.describe())
X = data.values[:,1:]

# 数据标准化(z_score)
Model = preprocessing.StandardScaler()
X = Model.fit_transform(X)

# 迭代，选择合适的K
ch_score = [