Centrarea și scalarea variabilelor

Segmentarea clienților în Python

Karolis Urbonas

Head of Data Science, Amazon

Identificarea unei probleme

Analizați statisticile cheie ale setului de date
Comparați media și deviația standard

datamart_rfm.describe()

Centrarea variabilelor cu medii diferite

K-means funcționează bine pe variabile cu aceeași medie
Centrarea se realizează scăzând valoarea medie din fiecare observație

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

Scalarea variabilelor cu varianță diferită

K-means funcționează mai bine pe variabile cu aceeași varianță / deviație standard
Scalarea se realizează împărțind variabilele la deviația standard a fiecăreia

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

Combinarea centrării și scalării

Scădeți manual media și împărțiți la deviația standard
Sau utilizați un scaler din biblioteca scikit-learn (returnează un obiect 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.]

Testați diferite abordări!

Segmentarea clienților în Python