python RFM分析



import numpy

import pandas

data = pandas.read_csv(

'D:\\PDA\\5.7\\data.csv'

)

data['DealDateTime'] = pandas.to_datetime(

data.DealDateTime,

format='%Y/%m/%d'

)

data['DateDiff'] = pandas.to_datetime(

'today'

) - data['DealDateTime']

data['DateDiff'] = data['DateDiff'].dt.days

R_Agg = data.groupby(

by=['CustomerID']

)['DateDiff'].agg({

'RecencyAgg': numpy.min

})

F_Agg = data.groupby(

by=['CustomerID']

)['OrderID'].agg({

'FrequencyAgg': numpy.size

})

M_Agg = data.groupby(

by=['CustomerID']

)['Sales'].agg({

'MonetaryAgg': numpy.sum

})

aggData = R_Agg.join(F_Agg).join(M_Agg)

bins = aggData.RecencyAgg.quantile(

q=[0, 0.2, 0.4, 0.6, 0.8, 1],

interpolation='nearest'

)

bins[0] = 0

labels = [5, 4, 3, 2, 1]

R_S = pandas.cut(

aggData.RecencyAgg,

bins, labels=labels

)

bins = aggData.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_S = pandas.cut(

aggData.FrequencyAgg,

bins, labels=labels

)

bins = aggData.MonetaryAgg.quantile(

q=[0, 0.2, 0.4, 0.6, 0.8, 1],

interpolation='nearest'

)

bins[0] = 0

labels = [1, 2, 3, 4, 5]

M_S = pandas.cut(

aggData.MonetaryAgg,

bins, labels=labels

)

aggData['R_S']=R_S

aggData['F_S']=F_S

aggData['M_S']=M_S

aggData['RFM'] = 100*R_S.astype(int) + 10*F_S.astype(int) + 1*M_S.astype(int)

bins = aggData.RFM.quantile(

q=[

0, 0.125, 0.25, 0.375, 0.5,

0.625, 0.75, 0.875, 1

],

interpolation='nearest'

)

bins[0] = 0

labels = [1, 2, 3, 4, 5, 6, 7, 8]

aggData['level'] = pandas.cut(

aggData.RFM,

bins, labels=labels

)

aggData = aggData.reset_index()

fe=aggData.sort_values(

['level', 'RFM'],

ascending=[1, 1]

)

dd=aggData.groupby(

by=['level']

)['CustomerID'].agg({

'size':numpy.size

})

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末歹袁,一起剝皮案震驚了整個(gè)濱河市潜的,隨后出現(xiàn)的幾起案子康震,更是在濱河造成了極大的恐慌虑啤,老刑警劉巖制肮,帶你破解...
    沈念sama閱讀 222,681評(píng)論 6 517
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件楷掉,死亡現(xiàn)場(chǎng)離奇詭異采章,居然都是意外死亡葛菇,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,205評(píng)論 3 399
  • 文/潘曉璐 我一進(jìn)店門逞泄,熙熙樓的掌柜王于貴愁眉苦臉地迎上來患整,“玉大人,你說我怎么就攤上這事喷众「餮瑁” “怎么了?”我有些...
    開封第一講書人閱讀 169,421評(píng)論 0 362
  • 文/不壞的土叔 我叫張陵到千,是天一觀的道長(zhǎng)昌渤。 經(jīng)常有香客問我,道長(zhǎng)憔四,這世上最難降的妖魔是什么愈涩? 我笑而不...
    開封第一講書人閱讀 60,114評(píng)論 1 300
  • 正文 為了忘掉前任望抽,我火速辦了婚禮,結(jié)果婚禮上履婉,老公的妹妹穿的比我還像新娘煤篙。我一直安慰自己,他們只是感情好毁腿,可當(dāng)我...
    茶點(diǎn)故事閱讀 69,116評(píng)論 6 398
  • 文/花漫 我一把揭開白布辑奈。 她就那樣靜靜地躺著,像睡著了一般已烤。 火紅的嫁衣襯著肌膚如雪鸠窗。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 52,713評(píng)論 1 312
  • 那天胯究,我揣著相機(jī)與錄音稍计,去河邊找鬼。 笑死裕循,一個(gè)胖子當(dāng)著我的面吹牛臣嚣,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播剥哑,決...
    沈念sama閱讀 41,170評(píng)論 3 422
  • 文/蒼蘭香墨 我猛地睜開眼硅则,長(zhǎng)吁一口氣:“原來是場(chǎng)噩夢(mèng)啊……” “哼!你這毒婦竟也來了株婴?” 一聲冷哼從身側(cè)響起怎虫,我...
    開封第一講書人閱讀 40,116評(píng)論 0 277
  • 序言:老撾萬榮一對(duì)情侶失蹤,失蹤者是張志新(化名)和其女友劉穎困介,沒想到半個(gè)月后大审,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 46,651評(píng)論 1 320
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡座哩,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,714評(píng)論 3 342
  • 正文 我和宋清朗相戀三年徒扶,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片八回。...
    茶點(diǎn)故事閱讀 40,865評(píng)論 1 353
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡酷愧,死狀恐怖驾诈,靈堂內(nèi)的尸體忽然破棺而出缠诅,到底是詐尸還是另有隱情,我是刑警寧澤乍迄,帶...
    沈念sama閱讀 36,527評(píng)論 5 351
  • 正文 年R本政府宣布管引,位于F島的核電站,受9級(jí)特大地震影響闯两,放射性物質(zhì)發(fā)生泄漏褥伴。R本人自食惡果不足惜谅将,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 42,211評(píng)論 3 336
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望重慢。 院中可真熱鬧饥臂,春花似錦、人聲如沸似踱。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,699評(píng)論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽核芽。三九已至囚戚,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間轧简,已是汗流浹背驰坊。 一陣腳步聲響...
    開封第一講書人閱讀 33,814評(píng)論 1 274
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留哮独,地道東北人拳芙。 一個(gè)月前我還...
    沈念sama閱讀 49,299評(píng)論 3 379
  • 正文 我出身青樓,卻偏偏與公主長(zhǎng)得像借嗽,于是被迫代替她去往敵國和親态鳖。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,870評(píng)論 2 361

推薦閱讀更多精彩內(nèi)容