K Means算法实战：零售客户分群（三十一）
- 机器学习
- 9小时前
- 2热度
- 0评论
在当今数据驱动的时代，深入了解客户的需求和行为对于企业的成功至关重要。然而，当面对成千上万甚至更多的客户时，手动分析每个客户的特征和行为模式变得几乎不可能。此时，机器学习中的无监督学习技术，尤其是聚类算法，成为了强大的工具。本文将通过一个实战项目，详细介绍如何使用 K-Means 聚类算法对零售客户数据进行分群，从而为企业提供有价值的商业洞察。
什么是聚类分析？
聚类分析是一种无监督学习方法，旨在发现数据中的自然分组。与监督学习不同，聚类算法不需要预先标注好的“正确答案”（即标签）。它的目标是将相似的数据点自动归入同一组（称为“簇”），同时使不同组之间的数据点尽可能不相似。
一个简单的比喻：假设你有一个篮子，里面装着各种水果，包括苹果、橙子和香蕉。聚类算法的任务就是在没有任何人告诉你这些水果名称的情况下，自动将形状、颜色和大小相似的水果分别堆成一堆。
K-Means 算法的工作原理
K-Means 是最常用且直观的聚类算法之一。“K”代表我们希望将数据划分成的簇的数量。其工作原理可以概括为以下几个步骤：
- 初始化：随机选择 K 个数据点作为初始的“簇中心”（质心）。
- 分配：计算每个数据点到各个质心的距离（通常使用欧氏距离），然后将每个点分配到离它最近的质心所在的簇。
- 更新：重新计算每个簇的质心（即该簇所有点的平均值）。
- 迭代：重复步骤 2 和 3，直到质心的位置不再发生显著变化，或者达到预设的迭代次数。
算法核心要点：
- 距离度量：通常使用欧氏距离来衡量数据点之间的相似度，距离越近，相似度越高。
- 质心：代表一个簇的“平均点”或中心点。
- 目标：最小化每个簇内数据点到其质心的距离平方和（称为“簇内平方和”或 Inertia）。
实战演练：零售客户分群
接下来，我们将通过一个具体的实战项目，使用 Python 及其强大的数据科学库来完成客户分群。我们将使用一个模拟的零售客户数据集，从数据准备到模型评估，最终获得具有商业洞察力的分群结果。
第一步：环境准备与数据加载
首先，确保你的 Python 环境中安装了必要的库：pandas 用于数据处理，numpy 用于数值计算，matplotlib 和 seaborn 用于可视化，scikit-learn 是核心的机器学习库。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score我们将使用一个模拟的客户数据集 customer_data.csv，它包含以下特征：
- CustomerID: 客户唯一标识
- Age: 年龄
- AnnualIncome(k$): 客户年收入（千美元）
- Spending_Score: 消费评分（0-100，由购买频率、金额等综合得出）
加载数据并查看基本信息：
df = pd.read_csv('customer_data.csv')
print("数据形状（行数，列数）:", df.shape)
print("\n数据前5行:")
print(df.head())
print("\n数据基本信息:")
print(df.info())
print("\n描述性统计:")
print(df.describe())输出：
数据形状（行数，列数）: (50, 4)
数据前5行:
CustomerID Age Annual_Income_(k$) Spending_Score
0 1 19 15 39
1 2 21 15 81
2 3 20 16 6
3 4 23 16 77
4 5 31 17 40
数据基本信息:
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 50 entries, 0 to 49
Data columns (total 4 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 CustomerID 50 non-null int64
1 Age 50 non-null int64
2 Annual_Income_(k$) 50 non-null int64
3 Spending_Score 50 non-null int64
dtypes: int64(4)
memory usage: 1.7 KB
None
描述性统计:
CustomerID Age Annual_Income_(k$) Spending_Score
count 50.00000 50.000000 50.000000 50.000000
mean 25.50000 35.560000 28.160000 51.680000
std 14.57738 14.283085 8.739682 31.506682
min 1.00000 18.000000 15.000000 3.000000
25% 13.25000 23.000000 21.000000 20.750000
50% 25.50000 31.000000 27.500000 61.000000
75% 37.75000 47.500000 36.250000 77.000000
max 50.00000 67.000000 44.000000 99.000000第二步：数据探索与预处理
在应用算法之前，我们需要对数据进行探索和预处理，以确保数据的质量和一致性。
1. 探索性数据分析
通过可视化和统计分析，初步了解数据的分布和特征之间的关系。
fig, axes = plt.subplots(1, 3, figsize=(15, 4))
sns.histplot(df['Age'], bins=30, kde=True, ax=axes[0])
axes[0].set_title('年龄分布')
sns.histplot(df['Annual_Income_(k$)'], bins=30, kde=True, ax=axes[1])
axes[1].set_title('年收入分布')
sns.histplot(df['Spending_Score'], bins=30, kde=True, ax=axes[2])
axes[2].set_title('消费评分分布')
plt.tight_layout()
plt.show()
sns.pairplot(df[['Age', 'Annual_Income_(k$)', 'Spending_Score']])
plt.suptitle('特征关系散点图矩阵', y=1.02)
plt.show()2. 数据预处理
聚类算法对特征的量纲非常敏感。为了消除不同特征之间数值范围的差异，我们需要进行特征标准化，将各个特征缩放到均值为0、方差为1的标准正态分布。
features = ['Age', 'Annual_Income_(k$)', 'Spending_Score']
X = df[features].copy()
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
X_scaled_df = pd.DataFrame(X_scaled, columns=features)
print("标准化后的数据前5行:")
print(X_scaled_df.head())第三步：确定最佳簇数（K值）
K-Means 算法需要我们预先指定 K 值。选择一个合适的 K 值是聚类分析中的一个重要步骤。我们可以通过以下两种方法来确定最佳的 K 值：
1. 肘部法则
绘制不同 K 值对应的簇内平方和（Inertia），寻找曲线的拐点。拐点之后的 K 值带来的收益（Inertia 下降）逐渐减少。
inertia = []
K_range = range(1, 11)
for k in K_range:
kmeans = KMeans(n_clusters=k, random_state=42, n_init='auto')
kmeans.fit(X_scaled)
inertia.append(kmeans.inertia_)
plt.figure(figsize=(8, 5))
plt.plot(K_range, inertia, 'bo-')
plt.xlabel('簇的数量 (K)')
plt.ylabel('簇内平方和 (Inertia)')
plt.title('肘部法则：选择最佳K值')
plt.xticks(K_range)
plt.show()2. 轮廓系数法
轮廓系数衡量一个数据点与自身簇的相似度（内聚度）和与其他簇的分离度。其值在 -1 到 1 之间，越高越好，表示聚类效果越佳。
silhouette_scores = []
K_range = range(2, 11)
for k in K_range:
kmeans = KMeans(n_clusters=k, random_state=42, n_init='auto')
cluster_labels = kmeans.fit_predict(X_scaled)
score = silhouette_score(X_scaled, cluster_labels)
silhouette_scores.append(score)
plt.figure(figsize=(8, 5))
plt.plot(K_range, silhouette_scores, 'go-')
plt.xlabel('簇的数量 (K)')
plt.ylabel('轮廓系数')
plt.title('轮廓系数法：选择最佳K值')
plt.xticks(K_range)
plt.show()综合肘部法则图（拐点）和轮廓系数图（峰值），我们假设确定 K=5 是一个不错的选择。
第四步：应用 K-Means 进行聚类
使用选定的 K 值训练模型，并为每个客户打上簇标签。
final_k = 5
kmeans_final = KMeans(n_clusters=final_k, random_state=42, n_init='auto')
df['Cluster'] = kmeans_final.fit_predict(X_scaled)
cluster_counts = df['Cluster'].value_counts().sort_index()
print("各簇客户数量分布:")
print(cluster_counts)
cluster_profile = df.groupby('Cluster')[features].mean().round(2)
print("\n各簇特征平均值:")
print(cluster_profile)第五步：结果分析与可视化
将抽象的簇标签转化为直观的洞察。
1. 可视化聚类结果
由于我们有三个特征，可以在二维平面上选择两个最重要的特征进行可视化（例如收入和消费评分）。
plt.figure(figsize=(10, 6))
scatter = plt.scatter(df['Annual_Income_(k$)'], df['Spending_Score'], c=df['Cluster'], cmap='viridis', s=50, alpha=0.7)
plt.colorbar(scatter, label='簇标签')
plt.xlabel('年收入 (k$)')
plt.ylabel('消费评分')
plt.title('客户分群结果（基于年收入与消费评分）')
plt.show()2. 刻画客户群画像
根据 cluster_profile 表格，我们可以为每个簇赋予商业含义：
| 簇标签 | 年龄 | 年收入 | 消费评分 | 可能的客户画像 |
|---|---|---|---|---|
| 0 | 中等 | 高 | 低 | 高收入谨慎型：收入高但消费保守，可能是储蓄者或对价格敏感的高净值人群。 |
| 1 | 中等 | 低 | 低 | 低收入低消费型：收入和消费能力都有限，需要高性价比产品。 |
| 2 | 中等 | 低 | 高 | 追求价值型：收入不高但很爱消费，注重潮流和体验，是促销活动的目标。 |
| 3 | 中等 | 高 | 高 | 理想VIP型：高收入高消费，是企业的核心利润来源，应提供顶级服务和专属权益。 |
| 4 | 年轻 | 中等 | 中等 | 年轻潜力型：年轻客户，收入和消费处于成长期，是培养品牌忠诚度的关键。 |
第六步：模型评估与应用建议
评估
除了轮廓系数，还可以查看簇内样本分布是否均衡，以及结合业务逻辑判断分群是否合理。
应用建议
- 精准营销：向“理想VIP型”（簇3）推送高端新品和独家活动；向“追求价值型”（簇2）发送折扣券和团购信息。
- 产品开发：针对“年轻潜力型”（簇4）设计时尚、社交属性强的产品。
- 客户服务：为“高收入谨慎型”（簇0）提供详细的产品数据和安全保障，打消其顾虑。
- 资源分配：将更多客服和营销资源倾斜到高价值客户群。
总结与扩展
通过这个实战案例，你已经完整地体验了使用 K-Means 算法进行客户分群的流程：数据准备 -> 探索分析 -> 预处理 -> 确定K值 -> 训练模型 -> 分析结果。
关键要点回顾：
- 聚类是无监督学习，用于发现数据中的自然分组。
- 特征标准化是使用基于距离的聚类算法前的关键步骤。
- 肘部法则和轮廓系数是确定最佳簇数的实用工具。
- 聚类结果的解读必须结合业务知识，才能产生真正的价值。
希望这篇文章对你有所帮助，如果你有任何问题或建议，欢迎在评论区留言交流！