在Python中实现电商客户购买偏好迁移分析，可以采用以下方法： #### 数据准备 获取包含客户ID、购买时间、购买商品等信息的电商销售数据。使用`pandas`库读取和处理数据。 ```python import pandas as pd # 读取数据 data = pd.read_csv('sales_data.csv') ``` #### 定义时间窗口 将数据按照不同的时间窗口进行划分，比如以季度、半年或年为单位，以便观察不同时间段客户的购买行为。 ```python # 将购买时间列转换为日期时间类型 data['purchase_time'] = pd.to_datetime(data['purchase_time']) # 按年度划分数据 annual_data = data.groupby(data['purchase_time'].dt.year) ``` #### 计算不同时间窗口的客户购买偏好 为每个时间窗口计算客户对不同商品类别的购买频率或金额占比，以此来表示客户的购买偏好。 ```python # 计算每年客户对不同商品类别的购买金额占比 preferences = {} for year, group in annual_data: category_purchase = group.groupby('product_category')['purchase_amount'].sum() total_purchase = category_purchase.sum() preferences[year] = category_purchase / total_purchase ``` #### 分析偏好迁移 对比不同时间窗口的客户购买偏好，可以计算偏好的相似度，如使用余弦相似度来衡量两个时间段偏好向量的差异。 ```python from sklearn.metrics.pairwise import cosine_similarity import numpy as np # 假设我们要对比相邻两年的偏好 years = sorted(preferences.keys()) migration_analysis = {} for i in range(len(years) - 1): year1 = years[i] year2 = years[i + 1] pref1 = preferences[year1] pref2 = preferences[year2] # 确保两个向量长度一致 all_categories = set(pref1.index).union(set(pref2.index)) vector1 = np.array([pref1.get(category, 0) for category in all_categories]) vector2 = np.array([pref2.get(category, 0) for category in all_categories]) similarity = cosine_similarity([vector1], [vector2])[0][0] migration_analysis[(year1, year2)] = similarity ``` #### 聚类分析客户群体的偏好迁移 使用K-Means等聚类算法将客户按照偏好迁移的模式进行分类，进一步分析不同客户群体的迁移特点。以下是使用K-Means聚类的示例： ```python from sklearn.preprocessing import StandardScaler from sklearn.cluster import KMeans # 假设我们有每个客户在不同时间窗口的偏好向量 customer_preferences = ... # 替换为实际的客户偏好数据 # 特征标准化处理 scaler = StandardScaler() scaled_preferences = scaler.fit_transform(customer_preferences) # 使用肘部法则确定最佳k值 inertia = [] k_range = range(2, 11) for k in k_range: kmeans = KMeans(n_clusters=k, random_state=42) kmeans.fit(scaled_preferences) inertia.append(kmeans.inertia_) # 选择合适的k值进行最终聚类 optimal_k = 4 kmeans_final = KMeans(n_clusters=optimal_k, random_state=42) customer_clusters = kmeans_final.fit_predict(scaled_preferences) ```