百货商场用户画像描绘与价值分析（中）
构建会员用户业务特征标签
取DataFrame之后转置取values得到一个列表，再绘制对应的词云，可以自定义一个绘制词云的函数，输入参数为df和会员卡号
L: 入会程度（新用户、中等用户、老用户）
R: 最近购买的时间（月）
F: 消费频数（低频、中频、高频）
M: 消费总金额（高消费、中消费、低消费）
P: 积分（高、中、低）
S: 消费时间偏好（凌晨、上午、中午、下午、晚上）
X：性别
查看数据的基本特征
描述性统计
开始对数据进行分组
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
保存数据
4.2 会员用户词云分析
开始绘制用户词云，封装成一个函数来直接显示词云
函数说明：
df: 为DataFrame的数据集
id_label: 为输入用户的会员卡号，默认为随机取一个会员进行展示
随机查找一个会员来绘制用户画像
5 会员用户细分和营销方案制定
5.1 会员用户的聚类分析及可视化
先对数据进行标准化处理
对数据进行聚类
构造一个绘制聚类可视化效果雷达图的函数
函数说明：
features: 字段名
clf_list：list，为聚类器列表
nrow: 图的行数
ncol: 图的列数
title: 图的名称
从上面可以看出，标准化后的数据聚类效果相较于归一化的更好，且从轮廓系数和聚类雷达图也可以看出，聚类数最佳为2。因此，下面我们使用聚类数为2的标准化数据进行聚类，得到两类客户的LRFMP均值数据，以此来判断两者之间的差异
5.2 对会员用户进行精细划分并分析不同群体带来的价值差异
以聚类数为2贴上对应的标签
统计一下两类用户之间的差异，发现两类客户之间数量相差过大
用均值来计算两类样本之间的LRFMP
从上面可以看出，标签为1的客户消费频次、消费金额和消费积分均远大于标签为0的客户，且这类客户所占的比例仅有2.3%，可以将其定义为“重要保持会员”。标签为0的客户所占比例为97.7%，其会员登记时间跟标签为1的比较接近，但最近一次消费时间较标签1的还要长，可以将其定义为“一般发展会员”
