Hello，大家好，好久不见，又是一个屁股坐酸的下午，有点闲时间，来更新一下。

先给大家聊一聊RFM模型，好像在很多人简历上都看到过项目经历设计刀RFM模型构建，那么什么是RFM模型呢？RFM模型是衡量客户价值和客户创造利益能力的重要工具和手段，通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况，从而制定有效的策略来提高用户对企业的价值。

RFM模型用三个指标来对用户进行分类，可以将用户视作某个点在三维坐标系的位置，将指标的度量映射到（0，1）上，从而对用户进行可视化分类。

书接上回1-4数据，现在我们需要构建一个用户RFM模型，为了新来的同学能够了解数据，我先展示部分数据样式。

df.head()

 对用户数据进行数据表透视，获取目标信息。其实对就是对指定的字段进行分别处理。

rfm = df.pivot_table(
      index='id',
      values=['or_date','or_num','or_amount'],
      aggfunc={
            'or_date':'max'
          ,'or_num':'sum',
          'or_amount':'sum'
      })

#获取用户最近一次消费日期以及累积金额与次数

这里的index表示分类字段，相当于groupby，values表示需要取出的字段，aggfunc表示对不同字段需要做的函数操作。以上的数据只是我们初步筛选过后的数据，我们要知道RFM可视为一个三维坐标系，用户要被映射到坐标范围在（0，1） 之间，那么指标就需要可比性，可计算行，首先我们需要将' or_date '这个日期属性转变一下，同时对列名进行更改

rfm['R'] = -(rfm['or_date']-rfm['or_date'].max())/np.timedelta64(1,'D')
#将日期转化为天数，数据越大，表明最近消费日期相较远一点

rfm.rename(columns={'or_num':'F','or_amount':'M'},inplace=True)

现在关键的一步是如何将其映射到（0，1）上，怎么选取比较点，这里我们取指标的均值作为分割点，在进行转化。

rfm['label']= rfm[['R','F','M']].apply(lambda x:x-x.mean()).apply(label,axis=1)

这里的映射函数label可如下，这里的函数较为简化了，将大于的值设为1，其余都为0 

def label(data):
    level = data.apply(lambda x:'1' if x>=1 else '0')
    label = level['R']+level['F']+level['M']
    type={
        '111':'a',
        '110':'b',
        '101':'c',
        '100':'d',
        '010':'e',
        '011':'f',
        '001':'g',
        '000':'h'
        }
    return type[label]

这里面有个很关键的点就是对不同类型的数据进行分类，我们可以先将类别放入字典，在利用key值进行提取

这样，用户的类别划分其实已经结束，但是由于一般都是二维数据表示，这里用散点图展示

for x,y in rfm.groupby('label'):
    i = y['F']
    j = y['M']
    plt.scatter(i,j,label=x)
    plt.show()

之前有说过分类后的数据有两类，所以用两个参数接受，结果如下

 这里对F,M数据进行展示