通過python實現rfm，並分析使用者價值度，最終給到運營做分析使用。
案例資料是某企業2023年的部分抽樣資料，資料**於銷售系統，主要是使用者訂單記錄。
檢視前5行資料，包含四個字段。
主要檢視資料概覽、缺失值情況、異常值情況
（1）通過describe()可檢視整體資料的基本描述性統計資訊，由於資料集中只有amountinfo欄位有檢視其資訊的必要，因此這邊只看訂單金額的情況。
根據上圖的結果可以看出：訂單金額最小值為0.5，而最大訂單金額達3w+，極值差距很大；標準差也很大，說明資料波動非常明顯；
#經過與業務方溝通後確認，最大訂單的訂單金額有效，為某使用者一次性購買多個大家電商品；而訂單金額為0.5元的訂單屬於**優惠券生成的訂單，這些訂單用來為使用者消費時提供優惠券，沒有實際意義，因此這些資料需要剔除。
（2）檢視空值情況
orderdate、amountinfo兩個字段含有空值記錄；
共有10條記錄含有空值情況，資料量小，因此可以直接剔除。
包括資料異常處理、格式轉換
資料型別轉換：
此處目的是為了實現後續的時間間隔的計算，因此需要進行轉換。
資料準備工作：
分別計算r、f、m三個原始變數的資料，主要通過groupby進行計算。
通過時間間隔是計算r的基礎，然後對r、f、m三個變數使用分數字法做區間劃分，使用pd.cut的方法，設定5份。
根據rfm的兩種得分方法分別計算出結果存入，具體如下：
#以下為本人自己的分析思路，僅供參考。
觀察以上資料發現rfm_score2（組合得分）的組合方式只有14種，因此想要知道這14種rfm得分的分布頻率如何；
觀察上圖結果得到：
（1）總體客戶消費狀態不太好，分布最多的五種rmf得分分別是：511、411、311、211、111，說明最近消費的客戶的消費頻率低、消費金額少。
（2）而我們觀察到三個方面表現都很好的得分為555只有乙個使用者，該使用者應該引起會員管理部門的重點關注。
基於rfm得分業務方得到這樣的結論
錄入資料庫的rfm得分資料已經應用到其他資料模型中，成為建模輸入的關鍵維度特徵之一。同時，該模型已經作為定時任何每週一早晨上班前執行一次。
———————————分隔符—————————————
結論中紅色部分是我沒看明白的部分，最後兩點不知是否是經過兩周的觀察得出的結論，希望有心人士可以為我解答一下。
基於Python的情感分析案例
情感極性分析的目的是對文字進行褒義 貶義 中性的判斷。在大多應用場景下，只分為兩類。例如對於 喜愛 和 厭惡 這兩個詞，就屬於不同的情感傾向。示例1 好評 示例2 差評 讀取文字檔案 def text f1 open e 工作檔案 情感分析案例1 good.txt r encoding utf 8 ...
基於自然語義分析的大綱近似度分析
工作中遇到這樣一種困惑，需要從幾個基地的碩大無比的excel檔案中比對對某個裝置的維修大綱是否一致。比如有的基地要求 在50 fp平台下修改gk引數 而有的基地同一件事情的描述是 修改gk引數 50 fp 用vlookup不太能解決這種問題。於是乎研究了下語義識別，使用tfidf演算法可以比較有效的...
基於資料探勘的客戶流失分析案例
客戶挽留在很多行業都是乙個備受關注的問題，比如電信 銀行 保險 零售等。要做客戶挽留就需要對客戶流失進行預警 客戶流失原因分析 客戶滿意度或忠誠度研究 客戶生命週期研究等相關問題進行深入而全面的分析。例如，對客戶的行為特徵進行分析，可以了解有多少客戶流失，客戶是什麼時候流失的，以及客戶是如何流失的等...