Центрирование и масштабирование переменных

Сегментация клиентов в Python

Karolis Urbonas

Head of Data Science, Amazon

Обнаружение проблемы

Анализ ключевых статистик набора данных
Сравнение среднего и стандартного отклонения

datamart_rfm.describe()

Центрирование переменных с разными средними

K-means хорошо работает на переменных с одинаковым средним
Центрирование: из каждого наблюдения вычитается среднее значение

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

Масштабирование переменных с разной дисперсией

K-means лучше работает на переменных с одинаковой дисперсией / стандартным отклонением
Масштабирование: переменные делятся на их стандартное отклонение

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

Центрирование и масштабирование вместе

Вычесть среднее и разделить на стандартное отклонение вручную
Или использовать масштабировщик из библиотеки scikit-learn (возвращает объект 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.]

Давайте потренируемся!

Сегментация клиентов в Python