Centrera och skala variabler

Kundsegmentering i Python

Karolis Urbonas

Head of Data Science, Amazon

Identifiera ett problem

Analysera nyckelstatistik för datamängden
Jämför medelvärde och standardavvikelse

datamart_rfm.describe()

Centrera variabler med olika medelvärden

K-means fungerar bra på variabler med samma medelvärde
Centrering görs genom att subtrahera medelvärdet från varje observation

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

Skala variabler med olika varians

K-means fungerar bättre på variabler med samma varians / standardavvikelse
Skalning görs genom att dividera varje variabel med dess standardavvikelse

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

Kombinera centrering och skalning

Subtrahera medelvärdet och dividera med standardavvikelsen manuellt
Eller använd en skalare från biblioteket scikit-learn (returnerar ett numpy.ndarray-objekt)

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.]

Nu kör vi en övning!

Kundsegmentering i Python