数据处理啊

数据探索&＃43; 数据预处理

数据探索&＃xff1a;
1.统计量分析 &＃xff1a;
1.集中趋势的度量&＃xff1a;
1.均值、中位数、众数
2.离散趋势的度量&＃xff1a;
极值()
极差
标准差、方差
四分位数间距
2.相关性分析&＃xff1a;
通过散点图 获取 相关系数

数据预处理&＃xff1a;
补充&＃xff1a;
数据透视表 也可以对数据 进行分析 【聚合统计 】
group by &＃43;agg
案例&＃xff1a;
客户价值分析&＃xff08;用户画像 &＃61;》 类似 &＃xff09;

1.基本理论&＃xff1a;
1.RFM模型
2.聚类分析 &＃xff08;机器学习里面的算法 &＃61;》 结果 标签&＃xff09;
3.RFM聚类分析

1.RFM模型 &＃61;》 获取 RFM
根据用户属性 进行打标签【进行分类 】 &＃61;》
超级用户
普通用户
黑户

2.RFM&＃xff1a; 【用户的属性】
    R: 最近一次消费 距现在的时长 【时差】 recency
    F&＃xff1a;消费频率 frequency
    M&＃xff1a;消费金额 mon

eg:
    客户a &＃xff1a;
        R&＃xff1a;180  F&＃xff1a;1次/月 M&＃xff1a;100块/月
    客户b &＃xff1a;
        R&＃xff1a;3   F&＃xff1a;10次/月 M&＃xff1a;1000块/月
    .RFM模型&＃61;> 
        b 超级用户 
        a 流式用户
    标准&＃xff1a; 
        1.RFM 高 &＃61;》 【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&＃61; 》【保持客户】
        3.RM高 F低 &＃61;》 【发展客户】
        4.RF低 M高 &＃61;》 【挽留客户】
1 

2.RFM&＃xff1a; 【用户的属性】
    R: 最近一次消费 距现在的时长 【时差】 recency
    F&＃xff1a;消费频率 frequency
    M&＃xff1a;消费金额 mon

eg:
    客户a &＃xff1a;
        R&＃xff1a;180  F&＃xff1a;1次/月 M&＃xff1a;100块/月
    客户b &＃xff1a;
        R&＃xff1a;3   F&＃xff1a;10次/月 M&＃xff1a;1000块/月
    .RFM模型&＃61;> 
        b 超级用户 
        a 流式用户
    标准&＃xff1a; 
        1.RFM 高 &＃61;》 【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&＃61; 》【保持客户】
        3.RM高 F低 &＃61;》 【发展客户】
        4.RF低 M高 &＃61;》 【挽留客户】

2.聚类分析【RFM 结果数据】
一个可以分类的工具
2.聚类分析方法&＃xff1a;
1.层次聚类法
2.K-均值法&＃xff08;Kmeans&＃xff09;

3.RFM聚类分析
1.RFM 核心指标 进行 聚类分析
2.Kmeans &＃61;》 用户 进行分类 &＃61;》 4个类别
3.4个类别 基于 RFM 对用户进行标注【对用户进行打标签】

RFM聚类分析 好处&＃xff1f;
1.提供决策支持