Xây dựng đặc trưng
Giờ đây bạn đã sẵn sàng xây dựng các đặc trưng recency, frequency, monetary value và những đặc trưng cấp độ khách hàng khác cho mô hình hồi quy của mình. Kỹ thuật tạo đặc trưng là bước quan trọng nhất trong quy trình Machine Learning. Trong bài tập này, bạn sẽ tạo năm đặc trưng ở cấp độ khách hàng để dùng dự đoán giao dịch của khách hàng trong tháng tới. Những đặc trưng này nắm bắt các mẫu hành vi khách hàng có tính dự báo cao.
Thư viện pandas và numpy đã được nạp lần lượt là pd và np. Bộ dữ liệu online_X đã được nhập sẵn cho bạn. Đối tượng datetime NOW thể hiện ngày chụp ảnh dữ liệu mà bạn sẽ dùng để tính recency cũng đã được tạo sẵn.
Bài tập này là một phần của khóa học
Machine Learning cho Marketing với Python
Hướng dẫn bài tập
- Tính recency bằng cách lấy ngày hiện tại trừ đi
InvoiceDatemới nhất. - Tính frequency bằng cách đếm số hóa đơn duy nhất.
- Tính monetary value bằng cách cộng tất cả giá trị chi tiêu.
- Tính số lượng trung bình và tổng số lượng.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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']