② 计算RFM三个指标
df2 = pd.pivot_table(df1,index="买家昵称", values=["买家昵称","天数","实付金额"], aggfunc={"买家昵称":"count","天数":"min","实付金额":"sum"}) df2 = df2[["天数","买家昵称","实付金额"]] df2.columns = ["R","F","M"] df2.reset_index() display(df2.shape) display(df2.head(10))
结果如下：
2）用户分层打分
通过上述分析，我们已经得到了每一个用户的“R”、“F”、“M”值。接下来要做的，就是给每一个用户进行分层。这里我们需要建立一个评判标准，由于RFM模型本身就是需要根据不同场景和业务需求来建立的，因此这个分层标准，也是需要我们沟通业务后，得到最后的分层标准。
以R指标为例进行说明，根据上表我们知道，R表示每个用户最后一次购买时间距离今天共经历了多少天。当这个值越小，说明用户近期又回购了此产品；当这个值越大，说明用户已经好久没有再次购买产品了，这个用户很有可能流失掉了(猜测)。
基于上述分析，我们采用通用的5分制打分法，对RFM进行分类打分。
说明：由于这个数据集时间较早，因此计算出来的最近一次购买时间距离今天的天数，会特别大，但是没有关系，我们演示这个案例只是为了说明RFM模型的建模过程，实际中，肯定是过几个月进行一次RFM建模是比较好的，这里你只需要知道原理就好。
对于R指标来说：我们可以求出，R指标最小值是660天，我们以30天作为时间间隔，660-690天，打5分；690-720，打4分；720-750打3分；750-780打2分；>780，打1分。
对于F指标来说：我们可以求出，F指标最小值是1次，我们以1次作为时间间隔，0-2，打1分；2-3，打2分；3-4，打3分；4-5，打4分；>5，打5分。
对于M指标来说：我们可以求出，M指标最小值是0.005元，我们以500元作为时间间隔，0-50，打1分；50-100，打2分；100-150，打3分；150-200，打4分；>200，打5分。
至此，我们已经建立好了打分标准，下面我们开始对每个用户进行分类打分。
def func1(x): if x>=660 and x<690: return 5 elif x>=690 and x<720: return 4 elif x>=720 and x<750: return 3 elif x>=750 and x<780: return 2 elif x>=780: return 1 def func2(x): if x>=0 and x<2: return 1 elif x>=2 and x<3: return 2 elif x>=3 and x<4: return 3 elif x>=4 and x<5: return 4 elif x>=5: return 5 def func3(x): if x>=0 and x<50: return 1 elif x>=50 and x<100: return 2 elif x>=100 and x<150: return 3 elif x>=150 and x<200: return 4 elif x>=200: return 5 df2["R-SCORE"] = df2["R"].apply(func1) df2["F-SCORE"] = df2["F"].apply(func2) df2["M-SCORE"] = df2["M"].apply(func3) df2.sample(10)
结果如下：
3）用户贴标签
前面的步骤中，我们已经根据业务需求，对RFM指标进行了分类打分，得到了R-SCORE、F-SCORE、M-SCORE三个指标。接下来，我们需要给每个用户贴标签，这里有两种方式可以进行用户贴标签。
第一种：根据业务场景和业务来分配全重，对于RFM这3个指标，你更看重哪个指标，就赋予它相应较大一点的权重，比如说赋予的权重是3：1：2。
第二种：完全根据单独的RFM标签来计算，比如说：R-SCORE>avg(R-SCORE)、F-SCORE>avg(F-SCORE)、M-SCORE>avg(M-SCORE)，表示一个客户近期有购买，购买频率高于所有客户平均购买频率，购买金额高于所有客户的平均购买金额，因此我们贴上一个“重要挽留客户”的标签。
下面以第二种方法进行说明。根据上述叙述，每个指标有两种情况，要么>avg()，要么<avg()。由排列组合的知识，共有8种组合情况，当指标>avg()，我们记为1；当指标<avg()，我们记为0。因此可以得到如下的二维表格。
① 第一步
avg_r = df2["R-SCORE"].mean() avg_f = df2["F-SCORE"].mean() avg_m = df2["M-SCORE"].mean() display(avg_r,avg_f,avg_m)
结果如下：
② 第二步
def func1(x): if x>avg_r: return 1 else: return 0 def func2(x): if x>avg_f: return 1 else: return 0 def func3(x): if x>avg_m: return 1 else: return 0 df2["R-SCORE是否大于均值"] = df2["R-SCORE"].apply(func1) df2["F-SCORE是否大于均值"] = df2["F-SCORE"].apply(func1) df2["M-SCORE是否大于均值"] = df2["M-SCORE"].apply(func1) display(df2.sample(10))
结果如下：
