Obliczanie względnej ważności poszczególnych atrybutów
Teraz obliczysz względną ważność wartości RFM w każdym klastrze.
Wczytaliśmy datamart_rfm z surowymi wartościami RFM oraz datamart_rfm_k3, który zawiera surowe wartości RFM i etykiety klastrów zapisane jako Cluster. Biblioteka pandas jest również wczytana jako pd.
Możesz swobodnie eksplorować zbiory danych w konsoli.
To ćwiczenie jest częścią kursu
Segmentacja klientów w Pythonie
Instrukcje do ćwiczenia
- Oblicz średnie wartości RFM dla każdego klastra – użyj zbioru danych
datamart_rfm_k3. - Oblicz średnie wartości RFM dla całej populacji klientów – użyj zbioru danych
datamart_rfm. - Oblicz względną ważność wartości atrybutu klastra w porównaniu z populacją.
- Wyświetl wyniki względnej ważności zaokrąglone do 2 miejsc po przecinku.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Calculate average RFM values for each cluster
cluster_avg = ____.groupby(['____']).____()
# Calculate average RFM values for the total customer population
population_avg = ____.____()
# Calculate relative importance of cluster's attribute value compared to population
relative_imp = ____ / ____ - ____
# Print relative importance scores rounded to 2 decimals
print(relative_imp.____(____))