피처 만들기
이제 회귀 모델을 위해 고객 수준의 recency, frequency, monetary value 및 기타 피처를 만들 준비가 되셨습니다. 피처 엔지니어링은 Machine Learning 프로세스에서 가장 중요한 단계예요. 이 연습에서는 다음 달 고객 거래를 예측하는 데 사용할 다섯 가지 고객 수준 피처를 생성합니다. 이 피처들은 예측력이 높은 고객 행동 패턴을 포착합니다.
pandas와 numpy 라이브러리는 각각 pd, np로 로드되어 있습니다. online_X 데이터셋이 이미 임포트되어 있어요. recency를 계산할 때 사용할 스냅샷 날짜를 나타내는 datetime 객체 NOW도 준비되어 있습니다.
이 연습은 강의의 일부입니다
Python으로 배우는 마케팅용 Machine Learning
연습 안내
- 최신
InvoiceDate에서 현재 날짜를 빼서 recency를 계산하세요. - 인보이스의 고유 개수를 세어 frequency를 계산하세요.
- 모든 지출 값을 합산해 monetary value를 계산하세요.
- 평균 수량과 총 수량을 계산하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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']