BaşlayınÜcretsiz başlayın

RFM verisini ön-işle

Daha önce hesapladığın RFM değerleriyle oluşturulmuş veri kümesini datamart_rfm olarak yükledik. Değişkenler çarpık dağılıma sahip ve farklı ölçeklerde olduğu için şimdi bunların çarpıklığını giderecek ve normalize edeceksin.

pandas kütüphanesi pd, numpy ise np olarak yüklendi. Konsolda biraz zaman ayırıp datamart_rfm'i incele.

Bu egzersiz, kursun bir parçasıdır

Python ile Müşteri Segmentasyonu

Kursa Göz Atın

Egzersiz talimatları

  • datamart_rfm üzerindeki çarpıklığı gidermek için log dönüşümü uygula ve datamart_log olarak kaydet.
  • Bir StandardScaler() örneğini scaler olarak başlat ve datamart_log verisine fit et.
  • data'yı scaler ile ölçekleyip merkezleyerek dönüştür.
  • datamart_normalized'dan bir pandas DataFrame oluştur ve index ile sütun adlarını datamart_rfm'den ekle.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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)
Kodu Düzenle ve Çalıştır