Préparer les données pour le « snake plot »

Vous allez maintenant préparer les données pour le « snake plot ». Vous utiliserez la solution de segmentation RFM en 3 grappes que vous avez construite plus tôt. Vous transformerez les données RFM normalisées en un format long en « fusionnant » les colonnes de mesures en deux colonnes : l'une pour le nom de la mesure et l'autre pour la valeur numérique correspondante.

Nous avons déjà chargé les données RFM normalisées avec les étiquettes de grappes assignées. Elles sont chargées sous forme de DataFrame pandas nommé datamart_normalized. Aussi, pandas est importé sous l'alias pd.

Explorez datamart_normalized dans la console avant de commencer l'exercice pour bien comprendre sa structure!

Cette activité fait partie du cours

Segmentation de la clientèle en Python

Voir le cours

Instructions de l’exercice

Transformez l'ensemble de données en format long en appliquant la fonction melt sur l'ensemble normalisé avec un index réinitialisé.
Assignez CustomerID et Cluster comme variables d'identifiant (ID).
Assignez les valeurs RFM comme variables de valeur.
Nommez la variable Metric et la valeur Value.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Melt the normalized dataset and reset the index
datamart_melt = pd.____(
  					____.____(), 
                        
# Assign CustomerID and Cluster as ID variables
                    ____=['____', '____'],

# Assign RFM values as value variables
                    ____=['____', '____', '____'], 
                        
# Name the variable and value
                    ____='____', ____='____'
					)

Modifier et exécuter le code