फीचर बनाइए

अब आप अपने regression मॉडल के लिए recency, frequency, monetary value और अन्य customer-level फीचर्स बनाने के लिए पूरी तरह तैयार हैं. Feature engineering मशीन लर्निंग प्रक्रिया का सबसे अहम कदम है. इस अभ्यास में आप पाँच customer-level फीचर्स बनाएँगे जिन्हें आप अगले महीने की customer transactions की भविष्यवाणी करने के लिए उपयोग करेंगे. ये फीचर्स ग्राहक व्यवहार के ऐसे पैटर्न्स को कैप्चर करते हैं जो अत्यधिक predictive होते हैं.

pandas और numpy लाइब्रेरीज़ क्रमशः pd और np के रूप में लोड की गई हैं. आपके लिए online_X डेटासेट इम्पोर्ट किया गया है. recency निकालने के लिए जिस snapshot date का आप उपयोग करेंगे, उसे दर्शाने वाला datetime ऑब्जेक्ट NOW आपके लिए बना दिया गया है.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में मार्केटिंग के लिए मशीन लर्निंग

पाठ्यक्रम देखें

अभ्यास निर्देश

recency निकालने के लिए current date में से नवीनतम InvoiceDate घटाइए.
frequency निकालने के लिए invoices की unique संख्या गिनिए.
monetary value निकालने के लिए सभी spend मानों का योग कीजिए.
औसत और कुल quantity की गणना कीजिए.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Define the snapshot date
NOW = dt.datetime(2011,11,1)

# Calculate recency by subtracting current date from the latest InvoiceDate
features = online_X.___('CustomerID').agg({
  'InvoiceDate': lambda x: (NOW - x.max()).days,
  # Calculate frequency by counting unique number of invoices
  'InvoiceNo': pd.Series.___,
  # Calculate monetary value by summing all spend values
  'TotalSum': np.___,
  # Calculate average and total quantity
  'Quantity': ['___', 'sum']}).reset_index()

# Rename the columns
features.columns = ['CustomerID', 'recency', 'frequency', 'monetary', 'quantity_avg', 'quantity_total']

कोड संपादित करें और चलाएँ