目录

四、数据预处理4-1 删除4-2标准化4-3 箱线图4-4 查看字段的值4-5 替换值4-6 编码 五 、构建模型5-1 划分数据集5-2 选择机器学习算法5-3 训练模型5-4 评估模型 六、方案实施七、结论

四、数据预处理

4-1 删除

由前面结果可知，（参考数据分析1，2）CustomerID表示每个客户的随机字符，对后续建模不影响，我这里选择删除CustomerID列；gender 和 PhoneService 与流失率的相关性低，可直接忽略。

#数据预处理 df1=df.iloc[:,2:20] df1.drop("PhoneService",axis=1,inplace=True) df_id=df["customerID"] df1.head()

数据展示： 对客户的职位、月费用和总费用进行去均值和方差缩放，对数据进行标准化：使得数据方差为1，均值为0，则预测结果不会被某些维度过大的特征值主导

4-2标准化

#数据标准化 from sklearn.preprocessing import StandardScaler scaler=StandardScaler(copy=False) scaler.fit_transform(df1[['tenure','MonthlyCharges','TotalCharges']])

标准化后：

4-3 箱线图

使用箱线图查看数据是否存在异常值： 第一种：

df1[['tenure','MonthlyCharges','TotalCharges']]=scaler.transform(df1[['tenure','MonthlyCharges','TotalCharges']]) df1[['tenure','MonthlyCharges','TotalCharges']].plot(kind='box',subplots=True,layout=(3,1),sharex=False,fontsize=8) pyplot.show()

第二种：

#使用箱线图查看数据异常值 import seaborn as sns df1[['tenure','MonthlyCharges','TotalCharges']]=scaler.transform(df1[['tenure','MonthlyCharges','TotalCharges']]) plt.figure(figsize=(8,4)) sns.boxplot(data=df1[['tenure','MonthlyCharges','TotalCharges']],palette="Set1")

由以上结果可以看出，在三个变量中不存在明显的异常值。

4-4 查看字段的值

查看对象类型字段中存在的值：

#查看对象类型字段中存在的值 def uni(columnlabel): print(columnlabel,"--",df1[columnlabel].unique()) x=df1.select_dtypes(['object']) for i in range(0,len(x.columns)): uni(x.columns[i])

综合之前的结果来看，在六个变量中存在No internet service，即无互联网服务对客户流失率影响很小，这些客户不使用任何互联网产品，因此可以将No internet service 和 No 是一样的效果，可以使用 No 替代 No internet service。

4-5 替换值

#替换值 df1.replace(to_replace="No internet service",value='No',inplace=True) df1.replace(to_replace="No phone service",value='No',inplace=True) for i in range(0,len(x.columns)): uni(x.columns[i])

4-6 编码

Scikit-learn标签编码,将分类数据转换为整数编码：

#使用Scikit-learn标签编码,将分类数据转换为整数编码 from sklearn.preprocessing import LabelEncoder def labelencode(columnlabel): df1[columnlabel]=LabelEncoder().fit_transform(df1[columnlabel]) for i in range(0,len(x.columns)): labelencode(x.columns[i]) for i in range(0,len(x.columns)): uni(x.columns[i])

五 、构建模型

5-1 划分数据集

from sklearn.model_selection import StratifiedShuffleSplit X=df1 y=df["Churn"].values s=StratifiedShuffleSplit(n_splits=5,test_size=0.2,random_state=0) print(s) print(s.get_n_splits(X,y))

训练数据和测试数据被分成五组 建立训练数据与测试数据：

#建立训练数据和测试数据 for tr_index,te_index in s.split(X,y): print("train:",tr_index,"test:",te_index) X_train,X_test=X.iloc[tr_index],X.iloc[te_index] y_train,y_test=y[tr_index],y[te_index]

5-2 选择机器学习算法

这里我选择了5种分类算法。随机森林，决策树，线性支持向量机，K最近邻，朴素贝叶斯算法

#选择机器算法 #选择机器学习方法 from sklearn.ensemble import RandomForestClassifier from sklearn import tree from sklearn.naive_bayes import GaussianNB from sklearn.neighbors import KNeighborsClassifier from sklearn.svm import LinearSVC models=[['rfc',RandomForestClassifier()], ['tree',tree.DecisionTreeClassifier()], ['kmeans',KMeans()], ['gnb',GaussianNB()], ['knn',KNeighborsClassifier()], ['lsvc',LinearSVC()]]

5-3 训练模型

#训练模型 from sklearn.metrics import accuracy_score from sklearn.metrics import classification_report from sklearn.metrics import confusion_matrix from sklearn.metrics import classification_report,precision_score,recall_score,f1_score results=[] names=[] prediction=[] for name,model in models: model=model model.fit(X_train,y_train) y_pred=model.predict(X_test) recall=recall_score(y_test,y_pred,average='micro') precision=precision_score(y_test,y_pred,average='micro') f1score=f1_score(y_test,y_pred,average='micro') class_eva=pd.DataFrame([recall,precision,f1score]) results.append(class_eva) name=pd.Series(name) names.append(name) #y_pred=pd.Series(y_pred) prediction.append(y_pred) print("模型：%s"%name) print('accuracy %s' % accuracy_score(y_pred, y_test)) print(classification_report(y_test, y_pred)) conf_mat = confusion_matrix(y_test, y_pred) fig, ax = plt.subplots(figsize=(4,4)) sns.heatmap(conf_mat, annot=True, fmt='d', ) plt.ylabel('实际结果',fontsize=10) plt.xlabel('预测结果',fontsize=10) plt.show()

对于模型随机森林，预测正确率为78.89%左右 混淆矩阵如下： 对于模型决策树，预测正确率为73.13%左右 混淆矩阵如下： 对于模型朴素贝叶斯，预测正确率为：76.72%左右 混淆矩阵如下： 对于模型k-最近邻，预测正确率为75.69%左右 混淆矩阵如下： 对于模型支持向量机，预测正确率为27.08%左右 混淆矩阵如下：

5-4 评估模型

召回率（recall）的含义是：原本为对的当中，预测为对的比例（值越大越好，1为理想状态） 精确率、精度（precision）的含义是：预测为对的当中，原本为对的比例（值越大越好，1为理想状态） F1分数（F1-Score）指标综合了Precision与Recall的产出的结果F1-Score的取值范围从0到1的，1代表模型的输出最好，0代表模型的输出结果最差。

#评估算法 names=pd.DataFrame(names) result=pd.concat(results,axis=1) result.columns=names[0].tolist() result.index=["recall","precision","f1score"] result

可以看出，模型随机森林的训练效果最好，支持向量机的训练效果最差。

六、方案实施

#实施方案-随机森林 pred_X=df1.tail(10) #提取customerID pred_id=df_id.tail(10) pred_id #使用随机森林算法预测 model=RandomForestClassifier() model.fit(X_train,y_train) pred_y=model.predict(pred_X) #预测结果 pred=pd.DataFrame({'customerID':pred_id,'Churn':pred_y}) pred

我实施了随机森林模型：预测结果。

七、结论

通过数据分析-1，数据分析-2，以及本文的分析， 我们可以大致得出容易流失的用户特征： 1、老年用户与未婚且经济未独立的青少年用户更容易流失。 2、电话服务对用户的流失没有直接的影响。 3、提供的各项网络服务项目能够降低用户的流失率。 4、签订合同越久，用户的留存率越高。 5、采用electronic check支付的用户更易流失。 针对上述诊断结果，可有针对性的对此提出建议： 推荐老年用户与青少年用户采用数字网络，且签订2年期合同（可以各种辅助优惠等营销手段来提高2年期合同的签订率），若能开通相关网络服务可增加用户粘性，因此可增加这块业务的推广，同时考虑改善电子账单支付的用户体验。