Побудова ознак

Тепер ви повністю готові створювати показники давності (recency), частоти (frequency), грошової цінності (monetary value) та інші ознаки на рівні клієнта для вашої регресійної моделі. Інженерія ознак — найважливіший крок у процесі машинного навчання. У цій вправі ви створите п'ять ознак на рівні клієнта, які потім використаєте для прогнозування транзакцій клієнтів наступного місяця. Ці ознаки відображають поведінкові шаблони клієнтів із високою прогностичною здатністю.

Бібліотеки pandas і numpy завантажено як pd та np відповідно. Набір даних online_X уже імпортовано для вас. Об'єкт datetime NOW, що фіксує контрольну дату для обчислення давності, також створено для вас.

Ця вправа є частиною курсу

Machine Learning для маркетингу в Python

Переглянути курс

Інструкції до вправи

Обчисліть давність, віднявши поточну дату від останнього InvoiceDate.
Обчисліть частоту, підрахувавши кількість унікальних рахунків.
Обчисліть грошову цінність, просумувавши всі витрати.
Обчисліть середню та загальну кількість.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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']

Редагувати та запускати код