目录
一、数据探索和预处理
二、无监督学习-降维和聚类分析
三、聚类效果对比分析
四、小结和建议
备注
分析软件：python
数据已经分享在百度云：客户年消费数据
密码：lehv
该份数据中包含客户id和客户6种商品的年消费额，共有440个样本
正文
一、数据探索和预处理
1.读取数据
import numpy as np
import pandas as pd
data = pd.read_excel(r'C:\Users\user\Desktop\客户年消费数据.xlsx')
2.缺失检查
print('各字段缺失情况：\n', data.isnull().sum())
输出：
id 0
Fresh 0
Milk 0
Grocery 0
Frozen 0
Detergents_Paper 0
Delicatessen 0
dtype: int64
观察得出：数据不存在缺失，且数据类型都为整数数值型
3.不同商品消费额分布
为了避免分布图右偏严重，剔除了大于95%分位数的极端值
import matplotlib.pyplot as plt
import seaborn as sns
# 六种商品年消费额分布图
fig = plt.figure(figsize=(16, 9))
for i, col in enumerate(list(data.columns)[1:]):
plt.subplot(321+i)
q95 = np.percentile(data[col], 95)
sns.distplot(data[data[col] < q95][col])
plt.show()
输出：
图1.1 年消费额分布图
从图中看出：商品年消费额基本符合大于0的正态分布
4.极值和异常值处理
features = data[['Fresh', 'Milk', 'Grocery', 'Frozen', 'Detergents_Paper', 'Delicatessen']]
# 剔除极值或异常值
ids = []
for i in list(features.columns):
q1 = np.percentile(features[i], 25)
q3 = np.percentile(features[i], 75)
intervel = 1.6*(q3 - q1)/2
low = q1 - intervel
high = q3 + intervel
ids.extend(list(features[(features[i] <= low) |
(features[i] >= high)].index))
ids = list(set(ids))
features = features.drop(ids)
二、无监督学习-降维和聚类分析
1.整体思路
数据中没有没有明显的目标变量，因此只能对客户的消费特征进行分析，也就是机器学习中所指的无监督方法。这里利用K-means和GMM（Gaussian Mixture Model）两种聚类算法，尝试对客户进行聚类分析，并对比两种算法的聚类结果差异。为了方便分析聚类效果，先用PCA算法降六个特征维度降低到两维。
2.聚类算法原理简述
K-means聚类
该算法利用数据点之间的欧式距离大小，将数据划分到不同的类别，欧式距离较短的点处于同一类。算法结果直接返回的是数据点所属的类别。
GMM
全称Gaussian Mixture Model，可以简单翻译为高斯混合模型，Gaussian指高斯分布（也就是正态分布）。该算法假设所有数据点来自多个参数不同的高斯分布，来自同一分布的数据点被划分为同一类。算法结果返回的是数据点属于不同类别的概率。
3.数据降至二维（PCA）
# 计算每一列的平均值
meandata = np.mean(features, axis=0)
# 均值归一化
features = features - meandata
# 求协方差矩阵
cov = np.cov(features.transpose())
# 求解特征值和特征向量
eigVals, eigVectors = np.linalg.eig(cov)
# 选择前两个特征向量
pca_mat = eigVectors[:, ：2]
pca_data = np.dot(features , pca_mat)
pca_data = pd.DataFrame(pca_data, columns=['pca1', 'pca2'])
# 两个主成分的散点图
plt.subplot(111)
plt.scatter(pca_data['pca1'], pca_data['pca2'])
plt.xlabel('pca_1')
plt.ylabel('pca_2')
plt.show()
输出：
图2.1 前两个主成分散点图
说明：图2.1中，横轴代表第一主成分，纵轴代表第二主成分
4.数据降维后信息保留百分比
print('前两个主成分包含的信息百分比：{:.2%}'.format(np.sum(eigVals[:2])/np.sum(eigVals)))
输出：
前两个主成分包含的信息百分比：92.39%
5.客户聚类
该步骤中，主要是对降维后的二维数据进行GMM和K-means聚类。聚类类别分别为2,3,4,5时，对比时两种算法下，点的的划分结果，并以散点图展现。
先定义make_ellipses函数，用于画出GMM算法中的高斯分布区域：
import matplotlib as mpl
# 定义make_ellipses函数，根据GMM算法输出的聚类类别，画出相应的高斯分布区域
def make_ellipses(gmm, ax, k):
for n in np.arange(k):
if gmm.covariance_type == 'full':
covariances = gmm.covariances_[n][:2, :2]
elif gmm.covariance_type == 'tied':
covariances = gmm.covariances_[:2, :2]
elif gmm.covariance_type == 'diag':
covariances = np.diag(gmm.covariances_[n][:2])
elif gmm.covariance_type == 'spherical':
covariances = np.eye(gmm.means_.shape[1]) * gmm.covariances_[n]
v, w = np.linalg.eigh(covariances)
u = w[0] / np.linalg.norm(w[0])
angle = np.arctan2(u[1], u[0])
angle = 180 * angle / np.pi # convert to degrees
v = 2. * np.sqrt(2.) * np.sqrt(v)
ell = mpl.patches.Ellipse(gmm.means_[n, :2], v[0], v[1],
180 + angle)
ell.set_clip_box(ax.bbox)
ell.set_alpha(0.3)
ax.add_artist(ell)
再根据模型输出，画出聚类结果对比图：
from sklearn.cluster import KMeans
from sklearn.mixture import GaussianMixture
from sklearn.metrics import silhouette_score
score_kmean = []
score_gmm = []
random_state = 87
n_cluster = np.arange(2, 5)
for i, k in zip([0, 2, 4, 6], n_cluster):
# K-means聚类
kmeans = KMeans(n_clusters=k, random_state=random_state)
cluster1 = kmeans.fit_predict(pca_data)
score_kmean.append(silhouette_score(pca_data, cluster1))
# gmm聚类
gmm = GaussianMixture(n_components=k, covariance_type='full', random_state=random_state)
cluster2 = gmm.fit(pca_data).predict(pca_data)
score_gmm.append(silhouette_score(pca_data, cluster2))
# 聚类效果图
plt.subplot(421+i)
plt.scatter(pca_data['pca1'], pca_data['pca2'], c=cluster1, cmap=plt.cm.Paired)
if i == 6:
plt.xlabel('K-means')
plt.subplot(421+i+1)
plt.scatter(pca_data['pca1'], pca_data['pca2'], c=cluster2, cmap=plt.cm.Paired)
if i == 6:
plt.xlabel('GMM')
plt.show()
输出：
图2.2 聚类效果对比
说明：聚类类别分别为2,3,4,5时，两种聚类算法结果对比（左边是K-means，右边是GMM）；点的颜色相同代表被聚为同一类；右图中的透明椭圆区域，代表GMM算法估计出的隐藏高斯分布区域。
三、聚类效果分析
如何评判聚类结果呢？这里引入轮廓分析（Silhouette analysis），轮廓分析主要统计轮廓得分，该指标计算聚类类别与相邻类别之间的总体距离大小，从而判断聚类有效程度。
# 聚类类别从2到11，统计两种聚类模型的silhouette_score，分别保存在列表score_kmean 和score_gmm
score_kmean = []
score_gmm = []
random_state = 87
n_cluster = np.arange(2, 12)
for k in n_cluster:
# K-means聚类
kmeans = KMeans(n_clusters=k, random_state=random_state)
cluster1 = kmeans.fit_predict(pca_data)
score_kmean.append(silhouette_score(pca_data, cluster1))
# gmm聚类
gmm = GaussianMixture(n_components=k, covariance_type='spherical', random_state=random_state)
cluster2 = gmm.fit(pca_data).predict(pca_data)
score_gmm.append(silhouette_score(pca_data, cluster2))
# 得分变化对比图
sil_score = pd.DataFrame({'k': np.arange(2, 12),
'score_kmean': score_kmean,
'score_gmm': score_gmm})
# K-means和GMM得分对比
plt.figure(figsize=(10, 6))
plt.bar(sil_score['k']-0.15, sil_score['score_kmean'], width=0.3,
facecolor='blue', label='Kmeans_score')
plt.bar(sil_score['k']+0.15, sil_score['score_gmm'], width=0.3,
facecolor='green', label='GMM_score')
plt.xticks(np.arange(2, 12))
plt.legend(fontsize=16)
plt.ylabel('silhouette_score', fontsize=16)
plt.xlabel('k')
plt.show()
输出：
图3.1 K-means和GMM得分对比
四、小结和建议
经过本次探索过程，总结以下几点：
1.图2.2，从点的划分情况来看，GMM和K-means的聚类结果具有较强的相似性；
2.图3.1， 从对比的角度，以silhouette_score为评判指标，整体上GMM的模型得分略低于K-means；
3.图3.1，聚类类别增多时，K-means模型的得分比较稳定，几乎没有明显差别，相比之下，GMM模型的得分开始下降幅度较大，但之后也趋于稳定。
4.根据得分情况，最佳聚类类别应该为2或3，此时K-means和GMM模型的表现都比较好。
5.最优k值对应的聚类类别可以作为新的数据特征，用于其它分析。
个人建议：若不考虑运算速度，当两种算法聚类得分差异很小时，推荐使用GMM算法，因为GMM能输出数据点属于某一类别的概率，因此输出的信息丰富程度大大高于K-means算法。
ps:欢迎指出文章中出现的任何错误，连同其它问题可在评论区交流，谢谢支持～
