#檢視兩列之間的相關度
wa['人口'].corr(wa['文盲率'])
#檢視兩兩之間的相關度
#選擇多列的方法
wa[['人口','平均收入','文盲率','超市購物率','網上購物率']]
wa[['人口','平均收入','文盲率','超市購物率','網上購物率']].corr()
結果為：
#rfm分析
import pandas
import numpy
rfm_data=pandas.read_csv('d://python projects//reference data')
#標準化時間格式
rfm_data['dealdatetime']=pandas.to_datetime(
rfm_data.dealdatetime,
format='%y/%m/%d')
#計算出距最近一次交易天數
rfm_data['datediff']=pandas.to_datetime('today')-rfm_data.dealdatetime
#只取天
rfm_data['datediff']=rfm_data['datediff'].dt.days
#計算每個使用者的最近消費距離、消費頻率、消費總額
r_agg=rfm_data.groupby(
by=['customerid']
)['datediff'].agg()
f_agg=rfm_data.groupby(
by=['customerid']
)['orderid'].agg()
m_agg=rfm_data.groupby(
by=['customerid']
)['sales'].agg()
#將三組資料整合
data_agg=r_agg.join(f_agg).join(m_agg)
#將三組資料進行分組，並賦予1-5分的得分
bins=data_agg.rencentagg.quantile(
q=[0,0.2,0.4,0.6,0.8,1],
interpolation='nearest')
bins[0]=0
labels=[5,4,3,2,1]
r_result=pandas.cut(
data_agg.rencentagg,
bins,
labels=labels)
bins=data_agg.frequencyagg.quantile(
q=[0,0.2,0.4,0.6,0.8,1],
interpolation='nearest')
bins[0]=0
labels=[1,2,3,4,5]
f_result=pandas.cut(
data_agg.frequencyagg,
bins,
labels=labels)
bins=data_agg.moneyagg.quantile(
q=[0,0.2,0.4,0.6,0.8,1],
interpolation='nearest')
bins[0]=0
labels=[1,2,3,4,5]
m_result=pandas.cut(
data_agg.moneyagg,
bins,
labels=labels)
#將rfm值賦值回去原資料表
data_agg['r_result']=r_result
data_agg['f_result']=f_result
data_agg['m_result']=m_result
#將rfm最後分值計算出來
data_agg['rfm']=100*data_agg['r_result'].astype(int)+10*data_agg['f_result'].astype(int)+data_agg['m_result'].astype(int)
#將使用者分為8類
bins=data_agg.rfm.quantile(
q=[0,0.125,0.25,0.375,0.5,0.675,0.75,0.875,1],
interpolation='nearest')
bins[0]=0
labels=[1,2,3,4,5,6,7,8]
data_agg['level']=pandas.cut(
data_agg.rfm,
bins,
labels=labels)
#重置索引
data_agg=data_agg.reset_index()
#檢視每種型別的使用者分類情況
data_agg.sort(
['level','rfm'],
ascending=[1,1])
data_agg.groupby(
by=['level']
)['customerid'].agg()
tableau做rfm分析 RFM模型的搭建
rfm模型能夠清晰的展示出客戶價值與客戶創收能力，基本能使用者許多行業的客戶價值管理。一 對rfm模型進行乙個swot分析評價 1 優勢 客觀 利用客觀的數字尺度，對客戶進行簡明的高水平描述 直觀 展示各個類別客戶及對策，非常直觀。2 劣勢 歷史 站在使用者歷史角度來分析使用者傾向，會偏差 維度 欄...
如何在Python中實現RFM分析
rfm分析是根據客戶活躍程度和交易金額貢獻，進行客戶價值細分的一種方法 可以通過r,f,m三個維度，將客戶劃分為8種型別。rfm分析過程 1.計算rfm各項分值 r s,距離當前日期越近，得分越高，最高5分，最低1分 f s,交易頻率越高，得分越高，最高5分，最低1分 m s,交易金額越高，得分越高...
python相關分析和關聯分析
函式關係 相關分析不具有傳遞性，a和c相關，b和c相關，a和b不一定相關 1.兩兩相關性 有相關係數有p值 correlation for i in car corr weight circle horsepower columns 1.2 僅有p值 from sklearn.feature sel...