Förbehandla RFM-data
Datamängden med de RFM-värden du beräknade tidigare är inläst som datamart_rfm. Eftersom variablerna är skeva och befinner sig på olika skalor ska du nu räta ut snedfördelningen och normalisera dem.
Biblioteket pandas är laddat som pd och numpy som np. Ta en stund att utforska datamart_rfm i konsolen.
Den här övningen är en del av kursen
Kundsegmentering i Python
Övningsinstruktioner
- Tillämpa en logaritmtransformation för att räta ut snedfördelningen i
datamart_rfmoch spara resultatet somdatamart_log. - Skapa en instans av
StandardScaler()med namnetscaleroch anpassa den tilldatamart_log-datan. - Transformera datan genom att skala och centrera den med
scaler. - Skapa en pandas DataFrame från
datamart_normalizedoch lägg till index och kolumnnamn fråndatamart_rfm.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Unskew the data
datamart_log = np.____(____)
# Initialize a standard scaler and fit it
scaler = ____()
scaler.____(____)
# Scale and center the data
datamart_normalized = ____.____(____)
# Create a pandas DataFrame
datamart_normalized = pd.____(data=____, index=____.index, columns=____.columns)