一、背景

1.項目描述

你擁有一個超市(Supermarket Mall)。通過會員卡，你用有一些關于你的客戶的基本數據，如客戶ID，年齡，性別，年收入和消費分數。 消費分數是根據客戶行為和購買數據等定義的參數分配給客戶的。 問題陳述：你擁有這個商場。想要了解怎么樣的顧客可以很容易地聚集在一起(目標顧客)，以便可以給營銷團隊以靈感并相應地計劃策略。

2.數據描述

字段名 描述 CustomerID 客戶編號 Gender 性別 Age 年齡 Annual Income (k$) 年收入，單位為千美元 Spending Score (1-100) 消費分數，范圍在1~100

二、相關模塊

import numpy as npimport pandas as pd

from pandas import plottingimport matplotlib.pyplot as pltimport seaborn as snsimport plotly.graph_objs as goimport plotly.offline as py

from sklearn.cluster import KMeans

import warningswarnings.filterwarnings(’ignore’)

三、數據可視化

1.數據讀取

io = ’.../Mall_Customers.csv’df = pd.DataFrame(pd.read_csv(io))# 修改列名df.rename(columns={’Annual Income (k$)’: ’Annual Income’, ’Spending Score (1-100)’: ’Spending Score’}, inplace=True)print(df.head())print(df.describe())print(df.shape)print(df.count())print(df.dtypes)

輸出如下。

CustomerID Gender Age Annual Income Spending Score0 1 Male 19 15 391 2 Male 21 15 812 3 Female 20 16 63 4 Female 23 16 774 5 Female 31 17 40-----------------------------------------------------------------CustomerID Age Annual Income Spending Scorecount 200.000000 200.000000 200.000000 200.000000mean 100.500000 38.850000 60.560000 50.200000std 57.879185 13.969007 26.264721 25.823522min 1.000000 18.000000 15.000000 1.00000025% 50.750000 28.750000 41.500000 34.75000050% 100.500000 36.000000 61.500000 50.00000075% 150.250000 49.000000 78.000000 73.000000max 200.000000 70.000000 137.000000 99.000000-----------------------------------------------------------------(200, 5)CustomerID 200Gender 200Age 200Annual Income 200Spending Score 200dtype: int64-----------------------------------------------------------------CustomerID int64Gender objectAge int64Annual Income int64Spending Score int64dtype: object

2.數據可視化

2.1 平行坐標圖

平行坐標圖(Parallel coordinates plot)用于多元數據的可視化，將高維數據的各個屬性(變量)用一系列相互平行的坐標軸表示， 縱向是屬性值，橫向是屬性類別。 若在某個屬性上相同顏色折線較為集中，不同顏色有一定的間距，則說明該屬性對于預標簽類別判定有較大的幫助。 若某個屬性上線條混亂，顏色混雜，則可能該屬性對于標簽類別判定沒有價值。

plotting.parallel_coordinates(df.drop(’CustomerID’, axis=1), ’Gender’)plt.title(’平行坐標圖’, fontsize=12)plt.grid(linestyle=’-.’)plt.show()

2.2 年齡/年收入/消費分數的分布

這里用了直方圖和核密度圖。（注：核密度圖看的是(x<X)的面積，而不是高度）

sns.set(palette='muted', color_codes=True) # seaborn樣式# 配置plt.rcParams[’axes.unicode_minus’] = False # 解決無法顯示符號的問題sns.set(font=’SimHei’, font_scale=0.8) # 解決Seaborn中文顯示問題# 繪圖plt.figure(1, figsize=(13, 6))n = 0for x in [’Age’, ’Annual Income’, ’Spending Score’]: n += 1 plt.subplot(1, 3, n) plt.subplots_adjust(hspace=0.5, wspace=0.5) sns.distplot(df[x], bins=16, kde=True) # kde 密度曲線 plt.title(’{}分布情況’.format(x)) plt.tight_layout()plt.show()

如下圖。從左到右分別是年齡、年收入和消費能力的分布情況。發現：

年齡方面：[30，36]范圍的客戶是最多的另外，在[20，21]也不少，但是60歲以上的老年人是最不常來消費的。 年收入方面：大部分的客戶集中在[53,83]范圍里，在15以下和105以上的很少。 消費分數方面：消費分數在[40,55]的占了大多數，在[70,80]范圍的次之。

2.3年齡/年收入/消費分數的柱狀圖

這里使用的是柱狀圖，和直方圖不同的是：xxx軸上的每一個刻度對應的是一個離散點，而不是一個區間。

plt.figure(1, figsize=(13, 6))k = 0for x in [’Age’, ’Annual Income’, ’Spending Score’]: k += 1 plt.subplot(3, 1, k) plt.subplots_adjust(hspace=0.5, wspace=0.5) sns.countplot(df[x], palette=’rainbow’, alpha=0.8) plt.title(’{}分布情況’.format(x)) plt.tight_layout()plt.show()

如下圖。從上到下分別是年齡、年收入和消費能力的柱狀圖。發現：

年齡方面：[27,40]范圍的客戶居多。其中，32歲的客戶是商城的常客，55,、56、64、69歲的用戶卻很少。總的來說，年齡較大的人群較少，年齡較少的人群較多。 年收入方面：年收入在54和78的頻數是最多的。其他在各個收入的客戶頻數看起來相差不太大。 消費分數方面：消費分數在42的客戶數是最多的，56次之。有的客戶的分數甚至達到了99，而分數為1的客戶也存在，沒有分數為0的客戶。

2.4不同性別用戶占比

df_gender_c = df[’Gender’].value_counts()p_lables = [’Female’, ’Male’]p_color = [’lightcoral’, ’lightskyblue’]p_explode = [0, 0.05]# 繪圖plt.pie(df_gender_c, labels=p_lables, colors=p_color, explode=p_explode, shadow=True, autopct=’%.2f%%’)plt.axis(’off’)plt.legend()plt.show()

如下餅圖。女性以56％的份額居于領先地位，而男性則占整體的44％。特別是當男性人口相對高于女性時，這是一個比較大的差距。

2.5 兩兩特征之間的關系

# df_a_a_s = df.drop([’CustomerID’], axis=1)sns.pairplot(df, vars=[’Age’, ’Annual Income’, ’Spending Score’], hue=’Gender’, aspect=1.5, kind=’reg’)plt.show()

pairplot主要展現的是屬性(變量)兩兩之間的關系（線性或非線性，有無較為明顯的相關關系）。注意，我對男、女性的數據點進行了區分（但是感覺數據在性別上的差異不大呀？）。如下組圖所示：

對角線上的圖是各個屬性的核密度分布圖。 非對角線的圖是兩個不同屬性之間的相關圖。看得出年收入和消費能力之間有較為明顯的相關關系。 將 kind 參數設置為 reg 會為非對角線上的散點圖擬合出一條回歸直線，更直觀地顯示變量之間的關系。

2.6 兩兩特征之間的分布

# 根據分類變量分組繪制一個縱向的增強箱型圖plt.rcParams[’axes.unicode_minus’] = False # 解決無法顯示符號的問題sns.set(font=’SimHei’, font_scale=0.8) # 解決Seaborn中文顯示問題sns.boxenplot(df[’Gender’], df[’Spending Score’], palette=’Blues’)# x:設置分組統計字段，y:數據分布統計字段sns.swarmplot(x=df[’Gender’], y=df[’Spending Score’], data=df, palette=’dark’, alpha=0.5, size=6)plt.title(’男女性的消費能力比較’, fontsize=12)plt.show() 如下圖使用了增強箱圖，可以通過繪制更多的分位數來提供數據分布的信息，適用于大數據。 男性的消費得分集中在[25，70]，而女性的消費得分集中在[35，75]，一定程度上說明了女性在購物方面表現得比男性好。

# 根據分類變量分組繪制一個縱向的增強箱型圖plt.rcParams[’axes.unicode_minus’] = False # 解決無法顯示符號的問題sns.set(font=’SimHei’, font_scale=0.8) # 解決Seaborn中文顯示問題sns.boxenplot(df[’Gender’], df[’Spending Score’], palette=’Blues’)# x:設置分組統計字段，y:數據分布統計字段sns.swarmplot(x=df[’Gender’], y=df[’Spending Score’], data=df, palette=’dark’, alpha=0.5, size=6)plt.title(’男女性的消費能力比較’, fontsize=12)plt.show()

其實，下面這一部分也包含了上面的信息。

年齡方面：男性分布較為均勻，20多歲的比較多；女性的年齡大部分集中在20+~30+這個范圍，整體上較為年輕？ 收入方面：男性略勝一籌

四、K-means聚類分析

0.手肘法簡介

核心指標

誤差平方和(sum of the squared errors，SSE)是所有樣本的聚類誤差反映了聚類效果的好壞，公式如下：

核心思想

隨著聚類數k 的增大，樣本劃分會更加精細，每個簇的聚合程度會逐漸提高，那么SSE會逐漸變小。 當k 小于真實聚類數時，由于k 的增大會大幅增加每個簇的聚合程度，故SSE的下降幅度會很大。 當k到達真實聚類數時，再增加k所得到的聚合程度回報會迅速變小，所以SSE的下降幅度會驟減。然后隨著k值的繼續增大而趨于平緩，也就是說SSE和k的關系圖是一個手肘的形狀，而這個肘部對應的k值就是數據的真實聚類數。

1.基于年齡和消費分數的聚類

所需要的數據有‘Age’和‘Spending Score’。

df_a_sc = df[[’Age’, ’Spending Score’]].values# 存放每次聚類結果的誤差平方和inertia1 = []

使用手肘法確定最合適的kkk值。

for n in range(1, 11): # 構造聚類器 km1 = (KMeans(n_clusters=n, # 要分成的簇數，int類型，默認值為8 init=’k-means++’, # 初始化質心，k-means++是一種生成初始質心的算法 n_init=10, # 設置選擇質心種子次數，默認為10次。返回質心最好的一次結果（好是指計算時長短） max_iter=300, # 每次迭代的最大次數 tol=0.0001, # 容忍的最小誤差，當誤差小于tol就會退出迭代 random_state=111, # 隨機生成器的種子 ，和初始化中心有關 algorithm=’elkan’)) # ’full’是傳統的K-Means算法，’elkan’是采用elkan K-Means算法 # 用訓練數據擬合聚類器模型 km1.fit(df_a_sc) # 獲取聚類標簽 inertia1.append(km1.inertia_)

繪圖確定kkk值，這里將kkk確定為4。

plt.figure(1, figsize=(15, 6))plt.plot(np.arange(1, 11), inertia1, ’o’)plt.plot(np.arange(1, 11), inertia1, ’-’, alpha=0.7)plt.title(’手肘法圖’, fontsize=12)plt.xlabel(’聚類數’), plt.ylabel(’SSE’)plt.grid(linestyle=’-.’)plt.show()

通過如下圖，確定kkk=4。

確定kkk=4后。重新構建kkk=4的K-means模型，并且繪制聚類圖。

km1_result = (KMeans(n_clusters=4, init=’k-means++’, n_init=10, max_iter=300, tol=0.0001, random_state=111, algorithm=’elkan’))# 先fit()再predict()，一次性得到聚類預測之后的標簽y1_means = km1_result.fit_predict(df_a_sc)# 繪制結果圖plt.scatter(df_a_sc[y1_means == 0][:, 0], df_a_sc[y1_means == 0][:, 1], s=70, c=’blue’, label=’1’, alpha=0.6)plt.scatter(df_a_sc[y1_means == 1][:, 0], df_a_sc[y1_means == 1][:, 1], s=70, c=’orange’, label=’2’, alpha=0.6)plt.scatter(df_a_sc[y1_means == 2][:, 0], df_a_sc[y1_means == 2][:, 1], s=70, c=’pink’, label=’3’, alpha=0.6)plt.scatter(df_a_sc[y1_means == 3][:, 0], df_a_sc[y1_means == 3][:, 1], s=70, c=’purple’, label=’4’, alpha=0.6)plt.scatter(km1_result.cluster_centers_[:, 0], km1_result.cluster_centers_[:, 1], s=260, c=’gold’, label=’質心’)plt.title(’聚類圖(K=4)’, fontsize=12)plt.xlabel(’年收入(k$)’)plt.ylabel(’消費分數(1-100)’)plt.legend()plt.grid(linestyle=’-.’)plt.show()

效果如下，基于年齡和消費能力這兩個參數，可以將用戶劃分成4類。

2.基于年收入和消費分數的聚類

所需要的數據

df_ai_sc = df[[’Annual Income’, ’Spending Score’]].values# 存放每次聚類結果的誤差平方和inertia2 = []

同理，使用手肘法確定合適的kkk值。

for n in range(1, 11): # 構造聚類器 km2 = (KMeans(n_clusters=n, init=’k-means++’, n_init=10, max_iter=300, tol=0.0001, random_state=111, algorithm=’elkan’)) # 用訓練數據擬合聚類器模型 km2.fit(df_ai_sc) # 獲取聚類標簽 inertia2.append(km2.inertia_)# 繪制手肘圖確定K值plt.figure(1, figsize=(15, 6))plt.plot(np.arange(1, 11), inertia1, ’o’)plt.plot(np.arange(1, 11), inertia1, ’-’, alpha=0.7)plt.title(’手肘法圖’, fontsize=12)plt.xlabel(’聚類數’), plt.ylabel(’SSE’)plt.grid(linestyle=’-.’)plt.show()

通過如下圖，確定kkk=5。

確定kkk=5后。重新構建kkk=5的K-means模型，并且繪制聚類圖

km2_result = (KMeans(n_clusters=5, init=’k-means++’, n_init=10, max_iter=300, tol=0.0001, random_state=111, algorithm=’elkan’))# 先fit()再predict()，一次性得到聚類預測之后的標簽y2_means = km2_result.fit_predict(df_ai_sc)# 繪制結果圖plt.scatter(df_ai_sc[y2_means == 0][:, 0], df_ai_sc[y2_means == 0][:, 1], s=70, c=’blue’, label=’1’, alpha=0.6)plt.scatter(df_ai_sc[y2_means == 1][:, 0], df_ai_sc[y2_means == 1][:, 1], s=70, c=’orange’, label=’2’, alpha=0.6)plt.scatter(df_ai_sc[y2_means == 2][:, 0], df_ai_sc[y2_means == 2][:, 1], s=70, c=’pink’, label=’3’, alpha=0.6)plt.scatter(df_ai_sc[y2_means == 3][:, 0], df_ai_sc[y2_means == 3][:, 1], s=70, c=’purple’, label=’4’, alpha=0.6)plt.scatter(df_ai_sc[y2_means == 4][:, 0], df_ai_sc[y2_means == 4][:, 1], s=70, c=’green’, label=’5’, alpha=0.6)plt.scatter(km2_result.cluster_centers_[:, 0], km2_result.cluster_centers_[:, 1], s=260, c=’gold’, label=’質心’)plt.title(’聚類圖(K=5)’, fontsize=12)plt.xlabel(’年收入(k$)’)plt.ylabel(’消費分數(1-100)’)plt.legend()plt.grid(linestyle=’-.’)plt.show()

效果如下，基于年收入和消費能力這兩個參數，可以將用戶劃分成如下5類：

群體1 ⇒Rightarrow⇒目標用戶：這類客戶年收入高，而且高消費。 群體2 ⇒Rightarrow⇒普通用戶：年收入與消費得分中等水平。 群體3 ⇒Rightarrow⇒高消費用戶：年收入水平較低，但是卻有較強烈的消費意愿，舍得花錢。 群體4 ⇒Rightarrow⇒節儉用戶：年收入高但是消費意愿不強烈。群體5 ⇒Rightarrow⇒謹慎用戶：年收入和消費意愿都較低。

3.基于年齡、收入和消費分數的聚類所需要的數據

df_a_ai_sc = df[[’Age’, ’Annual Income’, ’Spending Score’]].values

聚類，kkk=5。

km3 = KMeans(n_clusters=5, init=’k-means++’, max_iter=300, n_init=10, random_state=0)km3.fit(df_a_ai_sc)

繪圖。

df[’labels’] = km3.labels_# 繪制3D圖trace1 = go.Scatter3d( x=df[’Age’], y=df[’Spending Score’], z=df[’Annual Income’], mode=’markers’, marker=dict( color=df[’labels’], size=10, line=dict( color=df[’labels’], width=12 ), opacity=0.8 ))df_3dfid = [trace1]layout = go.Layout( margin=dict( l=0, r=0, b=0, t=0 ), scene=dict( xaxis=dict(title=’年齡’), yaxis=dict(title=’消費分數(1-100)’), zaxis=dict(title=’年收入(k$)’) ))fig = go.Figure(data=df_3dfid, layout=layout)py.offline.plot(fig)

效果如下。

五、小結

主要是為了記錄下K-means學習過程，而且之前也參與了一個項目用到了K-means算法。 如何進行特征旋是一個需要考慮的問題，我這里嘗試了三種不同的方案。然后，確定k 值是另一個重要的問題。我這個用了“手肘法”，但是可以配合“輪廓系數”綜合判斷。 還有許多地方不夠詳細。另外，如果有考慮不嚴謹的地方，歡迎批評指正！

到此這篇關于Python用K-means聚類算法進行客戶分群的實現的文章就介紹到這了,更多相關Python K-means客戶分群內容請搜索好吧啦網以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持好吧啦網！