基于RFM模型对借贷App用户分层分析案例_sql实现rfm模型 - CSDN文库

38 浏览量更新于2023-03-16 评论 3 收藏 178KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

基于基于RFM模型对借贷模型对借贷App用户分层分析案例用户分层分析案例

一、目的一、目的

1、根据还款未复贷老户的借贷数据，对老户进行群体分类；

2、对不同的客户群体进行特征分析，以便于定向营销。

二、分析过程二、分析过程

1、分析思路、分析思路

数据包含了2018年4月13日至2020年4月9日期间的客户数据，共有22014条记录。在RFM模型的基础上，增加了注册使用App天

数这一指标用于客户分群与价值分析，得到本次的LRFM模型，变量解释如下：

L：注册使用APP天数。客户注册日期至观测结束日期的间隔。

R：距今还款未复贷天数。客户最近的成功还款日期至观测结束日期的间隔。

F：借款成功次数。观测时间内客户借款成功次数。

M：借款成功总金额。观测时间内客户借款成功总金额。

2、数据提取及处理、数据提取及处理

（1）从数据库中提取需要的注册使用APP天数、距今还款未复贷天数、借款成功次数、借款成功总金额等数据，并排除掉黑名

单、被关小黑屋及电话已注销的用户。

（2）可以查看下数据的最大最小值、平均值、方差等描述性统计量，及查看缺失值、异常值等情况。

3、数据标准化、数据标准化

由于变量量纲不同，对数据进行标准差标准化，具体实现如下：

#-*- coding: utf-8 -*-

import pandas as pd

inputfile = 'D:/data/classification/old_user.xlsx' #需要进行标准化的数据文件

outputfile = 'D:/data/save/zscore_old_user.xlsx' #需要进行标准化的数据文件

data = pd.read_excel(inputfile)

data = (data - data.mean(axis = 0))/(data.std(axis = 0)) #标准化处理

data.columns=['Z_'+i for i in data.columns] #表头重命名

data.to_excel(outputfile, index = False) #数据写入

4、、K-Means聚类聚类

利用K-Means算法对客户进行聚类分析，得到细分的客户群。

具体实现如下：

#-*- coding: utf-8 -*-

#K-Means聚类算法

import pandas as pd

import numpy as np

from sklearn.cluster import KMeans #导入K均值聚类算法

import matplotlib.pyplot as plt

if __name__ == '__main__':

filepath = 'D:/..../' #保存图片的路径

inputfile = 'D:/....xlsx' #待聚类的数据文件

resultfile1 = 'D:/....xlsx' #统计聚类类别下样本量及聚类中心的文件

resultfile2 = 'D:/.....xlsx' #生成含聚类类别的文件

k = 5 #需要进行的聚类类别数

data = pd.read_excel(inputfile, encoding='utf-8') #读取数据

#调用k-means算法，进行聚类分析

kmodel = KMeans(n_clusters = k, n_jobs = 4) #n_jobs是并行数，一般等于CPU数较好

kmodel.fit(data) #训练模型

r1 = pd.Series(kmodel.labels_)

#每个聚类对应的样本个数

r1 = r1.value_counts()

#聚类的中心

r2 = pd.DataFrame(kmodel.cluster_centers_)

max = r2.values.max()

min = r2.values.min()

#将r1和r2进行列合并

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余2页未读，立即下载

评论0

weixin_38577648

粉丝: 3
资源: 943

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈