Relative Wichtigkeit jedes Attributs berechnen
Jetzt berechnest du die relative Wichtigkeit der RFM-Werte innerhalb jedes Clusters.
Wir haben datamart_rfm mit rohen RFM-Werten geladen und datamart_rfm_k3, das rohe RFM-Werte und die Cluster-Labels als Cluster enthält. Die Bibliothek pandas ist ebenfalls als pd geladen.
Du kannst die Datensätze gerne in der Konsole erkunden.
Diese Übung ist Teil des Kurses
<Kurs>Kundensegmentierung in Python</Kurs>Übungsanweisungen
- Berechne die durchschnittlichen RFM-Werte für jedes Cluster – verwende den Datensatz
datamart_rfm_k3. - Berechne die durchschnittlichen RFM-Werte für die gesamte Kundenpopulation – verwende den Datensatz
datamart_rfm. - Berechne die relative Wichtigkeit des Attributwerts eines Clusters im Vergleich zur Population.
- Gib die Scores der relativen Wichtigkeit auf 2 Dezimalstellen gerundet aus.
Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Calculate average RFM values for each cluster
cluster_avg = ____.groupby(['____']).____()
# Calculate average RFM values for the total customer population
population_avg = ____.____()
# Calculate relative importance of cluster's attribute value compared to population
relative_imp = ____ / ____ - ____
# Print relative importance scores rounded to 2 decimals
print(relative_imp.____(____))