[En gros] Clustering par K Means

Aperçu

• Objectif: regrouper les clients à partir de l'historique des achats, etc. pour comprendre leurs caractéristiques
• Méthode: Clustering avec K Means
• Output: nombre de personnes dans chaque cluster, caractéristiques de chaque cluster client
• Domaine d'utilisation: Marketing

approche

1. Stocker les données dans dataframe
2. Détermination du nombre de clusters
3. Clustering avec KMeans
4. Sortez le résultat du clustering

code

import pandas as pd
import numpy as np
from sklearn.cluster import KMeans
from collections import Counter

##Préparer le dataframe df###

num_clus = 4 #Définir le nombre de clusters
kmeans = KMeans(n_clusters=num_clus, random_state=0).fit(df)

print(Counter(kmeans.labels_)) #Sortie du nombre de personnes dans chaque cluster

df['cluster_id']=kmeans.labels_ #Ajouter le numéro de cluster à la trame de données d'origine

for i in range(0,num_clus): #Sortie de la valeur moyenne de chaque cluster
    print(df[df['cluster_id']==i].mean())