Prepara i dati per lo snake plot

Ora preparerai i dati per lo snake plot. Userai la soluzione di segmentazione RFM a 3 cluster che hai costruito in precedenza. Trasformerai i dati RFM normalizzati in un formato long “sciogliendo” le colonne delle metriche in due colonne: una per il nome della metrica e l’altra per il valore numerico effettivo.

Abbiamo caricato i dati RFM normalizzati con le etichette di cluster già assegnate. Sono caricati come pandas DataFrame chiamato datamart_normalized. Inoltre, pandas è importato come pd.

Esplora datamart_normalized nella console prima di iniziare l’esercizio per farti una buona idea della sua struttura!

Questo esercizio fa parte del corso

Customer Segmentation in Python

Visualizza corso

Istruzioni dell'esercizio

Trasforma l'insieme di dati in formato long applicando la funzione melt all’insieme di dati normalizzato con l’indice reimpostato.
Imposta CustomerID e Cluster come variabili ID.
Imposta i valori RFM come variabili di valore.
Assegna alla variabile il nome Metric e al valore il nome Value.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# 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
                    ____='____', ____='____'
					)

Modifica ed esegui il codice