航空公司客户RFM价值分析

data = pd.read_csv(datafile,encoding=‘utf-8‘)
data = data[data[‘SUM_YR_1‘].notnull()*data[‘SUM_YR_2‘].notnull()] #票价非空值才保留

#只保留票价非零的，或者平均折扣率与总飞行公里数同时为0的记录。
index1 = data[‘SUM_YR_1‘] != 0
index2 = data[‘SUM_YR_2‘] != 0
index3 = (data[‘SEG_KM_SUM‘] == 0) & (data[‘avg_discount‘] == 0) #该规则是“与”
data = data[index1 | index2 | index3] #该规则是“或”
data.loc[data[data["LAST_FLIGHT_DATE"] == "2014/2/29 0:00:00"].index,"LAST_FLIGHT_DATE"] = "2014/2/28" #0229的错误日期处理

L = pd.to_datetime(data["LOAD_TIME"]) - pd.to_datetime(data["LAST_FLIGHT_DATE"])
data_features = pd.concat([L.dt.days,data[[‘LAST_TO_END‘,‘FLIGHT_COUNT‘,‘SEG_KM_SUM‘,‘avg_discount‘]]],axis = 1)
data_features.columns = ["L","R","F","M","C"]
data_features = (data_features - data_features.mean(axis = 0))/(data_features.std(axis = 0)) #简洁的语句实现了标准化变换，类似地可以实现任何想要的变换。
data_features.columns=[‘Z‘+i for i in data_features.columns] #表头重命名。

from sklearn.cluster import KMeans 
k = 5
kmodel = KMeans(n_clusters = k, n_jobs = 4,random_state=123,init="k-means++") #n_jobs是并行数，一般等于CPU数较好
kmodel.fit(data_features) #训练模型
cluster_center = pd.DataFrame(kmodel.cluster_centers_,columns=data_features.columns) #查看聚类中心
cluster_center.index = pd.Series(kmodel.labels_ ).drop_duplicates().values
cluster_count = pd.Series(kmodel.labels_ ).value_counts()
cluster_count.name = "count"
cluster_center = pd.concat([cluster_center,cluster_count],axis=1)
cluster_center.index = ["客户群"+str(i + 1) for i in cluster_center.index]
cluster_center.sort_index(inplace=True)
cluster_center

labels = data.columns #标签
k = 5 #数据个数
color = [‘b‘, ‘g‘, ‘r‘, ‘c‘, ‘y‘] #指定颜色
label = [‘ZL‘, ‘ZR‘, ‘ZF‘, ‘ZM‘, ‘ZC‘]
angles = np.linspace(0, 2*np.pi, k, endpoint=False)
kmodel = KMeans(n_clusters = k, n_jobs = 4,random_state=123,init="k-means++") #n_jobs是并行数，一般等于CPU数较好
kmodel.fit(data_features) #训练模型
cluster_center = pd.DataFrame(kmodel.cluster_centers_,columns=data_features.columns) #查看聚类中心
cluster_center.index = pd.Series(kmodel.labels_ ).drop_duplicates().values
cluster_count = pd.Series(kmodel.labels_ ).value_counts()
cluster_center.index = ["客户群"+str(i + 1) for i in cluster_center.index]
legen = cluster_center.index
cluster_center = np.concatenate((cluster_center, cluster_center[["ZL"]]), axis=1) # 闭合
angles = np.linspace(0, 2*np.pi, k, endpoint=False)
angles = np.concatenate((angles, [angles[0]]))
fig = plt.figure(figsize=(8,8))
ax = fig.add_subplot(111, polar=True) #polar参数！！
for i in range(len(legen)):
    ax.plot(angles, cluster_center[i], ‘o-‘, color = color[i], label = legen[i], linewidth=2)# 画线

ax.set_rgrids(np.arange(0.01, 3.5, 0.5), np.arange(-1, 2.5, 0.5), fontproperties="Microsoft Yahei")
ax.set_thetagrids(angles * 180/np.pi, label, fontproperties="Microsoft Yahei")
plt.legend(loc = 4)
plt.show()

import seaborn as sns
plt.subplots(figsize = (8,8))
sns.heatmap(cluster_center,cmap="Blues",annot=True,vmax=1,square=True)

distortions =[]
for i in range(1,11):
    km = KMeans(n_clusters=i,n_init=10,max_iter=300,random_state=0)
    km.fit(data_features)
    distortions.append(km.inertia_)
plt.plot(range(1,11),distortions,marker = "o")
plt.xlabel("Number of clusters")
plt.ylabel("Distortion")
plt.show()

留给J的时间恐怕不多了吧。不知不觉已经，已经25了！！！！！那今年也许是J的最后一年喽。J一直在摆脱的东西，剩下的一年有可能丢掉吗？
1）谁会想到满脸仍是少年感的J，也许就会被绑上约束我一辈子的东西。会失去什么呀？地铁时，因为对面女生在偷瞄自己而暗暗高兴？坐大巴时，临坐小姐姐不经意的靠到我后，幻想孩子要上哪所幼稚园？还是那个决绝决绝的夏天，说出那句话，然后任性的再也不说一句话呢？
2）不管未来是什么颜色的，J都希望自己能够成为像野原广志一样的男人，即使脚很臭，还有32年房贷，却可以和5岁的臭小孩争吵。我会说他的妈妈是个妖怪小气老太婆，而他也可以回嘴我的老婆是三层轮胎游泳圈。
3）J一直都是幸运男孩，所以还会一直幸运下去吧。

1）我们的相识其实多少会有点微妙吧。虽然咱们见面的次数不算多，但每次我都试图去了解你，也会告诉你J是什么样的。但是J有时候也会有挫败感的，因为很多时候次，J都感觉你好像在躲避些什么？也会打击到我的极致性哦。想象一下，J是一台发报机，在发着勾引你的信号，而你给我的反馈是你没有完全的接收到我的魅力，甚至是不想接收。所以你觉得疲惫时，还是希望你能show me，ok?因为当我感觉到别人因为我而疲惫时，我呀，会更疲惫的。
2）J是个恋爱新手，J也会永远是恋爱新手。严格的说，J也没追过女孩子，所以很庆幸J还有机会在你的身上实施我曾经私底下策划的小小阴谋。当一对情人从别人身旁走过时，别人可能会说这种男生怎么配得上这种女生。而我希望你是那样得女生，快告诉你，你就是那样的女生。也许是我的了解不够吧，对于一个交集并不算多的女孩子，J没有办法一看到你，眼里就闪烁着光，所以J希望你务必持续向我展现你的魅力，让J保持恋爱新手的热情。
3）而关于J自己呀，如果说一般男孩子是宝藏男孩的话，那J得算ONE PIECE。就是蜜汁自信，翻开我的封面，你会看到星辰大海哦！