内容概述
本项目内容主要是基于Python的“百货商场用户画像描述与价值分析”，里面有详细的数据预处理、数据可视化和数据建模等步骤。同时，针对传统RFM模型进行了改进，构造了LRFMP模型来分析客户价值，挖掘客户价值的八个字段，并通过WordCloud形式展现了出来，可以对会员用户进行精准画像。
数据说明
数据集分为两部分，.xlsx结尾的是会员信息表，.csv结尾的是销售流水表。其中，会员信息表共有将近19万条记录，销售流水表共有接近189万条记录。
两个表包含了如会员卡号，消费产生时间，性别，出生时间，商品编码，销售数量，商品售价，消费金额，商品名称，此次消费的会员积分，收银机号，单据号，柜组编码，柜组名称，等级时间等 15 个特征。
- L（入会程度）：3个月以下为新用户，4-12个月为中等用户，13个月以上为老用户
- R（最近购买的时间）
- F（消费频次）：次数20次以上的为高频消费，6-19次为中频消费，5次以下为低频消费
- M（消费金额）：10万以上为高等消费，1万-10万为中等消费，1万以下为低等消费
- P（消费积分）：10万以上为高等积分用户，1万-10万为中等积分用户，1万以下为低等积分用户
实现目标
本项目主要围绕着“百货商店会员用户画像描绘与价值分析”内容进行，结合目前百货商场的数据情况，可以实现以下目标：
- 借助百货商场会员用户数据，对会员用户进行分群。
- 对不同的会员用户类别进行特征分析，比较不同类别会员用户的会员用户价值。
- 对不同价值的会员用户类别提供个性化服务，制定相应的营销策略。
技术点
- 数据预处理（Pandas）：包括去重去缺失值、异常值处理、变量重编码和时间序列数据处理方式等；
- 数据可视化（Matplotlib）：饼图、柱状图、折线图、雷达图和复合图等绘制方式等；
- 特征创造和数据建模：从海量连续数据中创造出性别、消费偏好、入会程度、最近购买的时间、消费频次、消费金额、消费积分等类别数据，建模部分主要通过标准化和归一化数据来对比KMeans聚类的轮廓系数结果。
代码运行说明
注意：运行此文件后会生成一些中间数据集以及相关图片
主要内容
导入模块
1.项目背景
1.1 项目背景与挖掘目标
2.数据探索与预处理
2.1 结合业务对数据进行探索并进行预处理
会员信息表数据探索与预处理
从上面会员信息表进行分析可以看出，数据中会员卡号存在一些重复值，且会员入会登记时间都有缺失，需要去重去缺失值，因为性别比例缺失较少，所以用众数来填补性别上的缺失值
注意：这里存在部分会员登记时间小于出生时间，因为这列数据所占比例较少，可以直接进行删除 和下面有所不同
检验是否在“登记时间”这一字段上是否存在异常值，若存在异常值，则无法进行基础的运算操作，下面操作能正常执行，说明不存在异常值
查看处理后数据缺失值情况
注意：由于出生日期这一列的缺失值过多，且存在较多的异常值，不能贸然删除
所以下面这里另建了一个数据集L来保存“出生日期”和“性别”信息，方便下面对会员的性别和年龄信息进行统计
出生日期这列值出现较多的异常值，以一个正常人寿命为100年算起，我们假定会员年龄范围在1920-2020之间，将超过该范围的值当作异常值进行剔除
用于与销售流水表进行合并的数据只取[‘会员卡号’, ‘性别’, ‘登记时间’]这三列，将出生日期这列意义不大的进行删除（这列信息最有可能出错），并重置索引
销售流水表数据探索和预处理
销售数量全部大于0，销售金额也全部大于0，说明两者不会对后者特征创造时产生影响
查看是否存在缺失值
会员信息表和销售流水表这两张表唯一相关联的字段便是“会员卡号”
由于销售流水表中“会员卡号”有将近一半为缺失值，这类数据无法进行填充，且后续需要对会员消费记录进行统计分析和建模，故只能舍弃
可以看到，舍弃掉会员卡号缺失值之后，便只有柜组名称存在缺失，下面舍弃掉一些无意义的字段，仅保留对本项目有研究价值的字段信息
2.2 将会员信息表和销售流水表关联与合并
按照会员卡号将两张表里的信息进行合并，使用左连接合并，获得一个既包含会员信息，又包含非会员信息的数据
这里再次查看“消费金额”>0，“积分”>0，“销售数量”>0
这里可以看到，merge之后的数据异常值突然变多了，这里就需要对此进行预处理，筛选掉那些异常值，方便后续进行分析
创造一个特征字段，判断是否为会员，1表示为会员，0表示不为会员
百货商场用户画像描绘与价值分析（中）
