Centralizando e escalonando variáveis

Segmentação de Clientes em Python

Karolis Urbonas

Head of Data Science, Amazon

Identificando um problema

Analise estatísticas-chave do dataset
Compare média e desvio padrão

datamart_rfm.describe()

Centralizando variáveis com médias diferentes

K-means funciona bem com variáveis com a mesma média
Centralizar é subtrair a média de cada observação

datamart_centered = datamart_rfm - datamart_rfm.mean()
datamart_centered.describe().round(2)

Escalonando variáveis com variâncias diferentes

K-means funciona melhor com mesma variância/desvio padrão
Escalonar é dividir pelo desvio padrão de cada variável

datamart_scaled = datamart_rfm / datamart_rfm.std()
datamart_scaled.describe().round(2)

Combinando centralização e escalonamento

Subtraia a média e divida pelo desvio padrão manualmente
Ou use um scaler da biblioteca scikit-learn (retorna um objeto numpy.ndarray)

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
scaler.fit(datamart_rfm)
datamart_normalized = scaler.transform(datamart_rfm)

print('mean: ', datamart_normalized.mean(axis=0).round(2))
print('std: ', datamart_normalized.std(axis=0).round(2))

mean:  [-0. -0.  0.]
std:  [1. 1. 1.]

Teste diferentes abordagens por conta própria!

Segmentação de Clientes em Python