RFM-waarden berekenen

Bereken de Recency-, Frequency- en Monetary-waarden voor de online-gegevensset die we eerder hebben gebruikt — deze is voor je geladen met de meest recente 12 maanden aan data. Er is een TotalSum-kolom in de online-gegevensset die is berekend door Quantity en UnitPrice te vermenigvuldigen: online['Quantity'] * online['UnitPrice'].

We hebben ook een variabele snapshot_date aangemaakt die je kunt gebruiken om recency te berekenen. Je mag de online-gegevensset en de snapshot_date naar de Console printen. De pandas-bibliotheek is geladen als pd, en datetime als dt.

Deze oefening maakt deel uit van de cursus

Klantsegmentatie in Python

Cursus bekijken

Oefeninstructies

Bereken voor elke klant achtereenvolgens Recency, Frequency en Monetary value.
Voor Recency: bereken het verschil tussen de waarde van snapshot_date en de max van InvoiceDate.
Hernoem de kolommen naar Recency, Frequency en MonetaryValue.
Print de header met de bovenste 5 rijen van de datamart.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Calculate Recency, Frequency and Monetary value for each customer 
datamart = online.groupby(['CustomerID']).agg({
    'InvoiceDate': lambda x: (snapshot_date - x.____()).days,
    'InvoiceNo': '____',
    'TotalSum': '____'})

# Rename the columns 
datamart.rename(columns={'InvoiceDate': '____',
                         'InvoiceNo': '____',
                         'TotalSum': '____'}, inplace=True)

# Print top 5 rows
print(____.head())

Code bewerken en uitvoeren