### 使用Python实现RFM分析 以下是通过Python实现RFM（Recency, Frequency, Monetary）分析的一个完整示例代码。该代码涵盖了数据准备、字段计算、评分以及最终的客户分群过程。 #### 数据准备 假设我们有一个交易记录的数据集，其中包含客户的ID (`Customer_ID`)、订单日期 (`Order_Date`) 和消费金额 (`Amount`)。 ```python import pandas as pd from datetime import timedelta, datetime # 创建模拟数据 data = { 'Customer_ID': [1, 2, 3, 1, 2], 'Order_Date': ['2023-09-01', '2023-08-15', '2023-07-20', '2023-09-10', '2023-09-05'], 'Amount': [100, 200, 150, 300, 250] } df = pd.DataFrame(data) # 转换日期列 df['Order_Date'] = pd.to_datetime(df['Order_Date']) # 设置当前时间作为参考点 current_date = df['Order_Date'].max() + timedelta(days=1) ``` #### 计算RFM指标 根据定义分别计算 `Recency` (最近一次购买的时间间隔), `Frequency` (购买次数) 和 `Monetary` (总消费额)[^2]。 ```python rfm_df = ( df.groupby('Customer_ID') .agg({ 'Order_Date': lambda x: (current_date - x.max()).days, 'Customer_ID': 'count', 'Amount': 'sum' }) .rename(columns={ 'Order_Date': 'Recency', 'Customer_ID': 'Frequency', 'Amount': 'Monetary' }) ) ``` #### 对RFM值进行评分 为了便于后续分析，可以对每个维度进行量化打分。这里采用四分位数法来分配分数[^1]。 ```python def rfm_scoring(x, col_name): if x[col_name] <= x[col_name].quantile(0.25): return 4 elif x[col_name] <= x[col_name].quantile(0.50): return 3 elif x[col_name] <= x[col_name].quantile(0.75): return 2 else: return 1 for column in ['Recency', 'Frequency', 'Monetary']: rfm_df[f'{column}_Score'] = rfm_df.apply(lambda row: rfm_scoring(row, column), axis=1) # 特殊处理：Recency越低得分越高 rfm_df['Recency_Score'] = rfm_df['Recency_Score'].apply(lambda x: 5 - x) ``` #### 合并RFM综合得分 最后将三个维度的得分组合成一个整体评价标准，并可以根据需求进一步细分客户群体。 ```python rfm_df['RFM_Score'] = rfm_df[['Recency_Score', 'Frequency_Score', 'Monetary_Score']].sum(axis=1) print(rfm_df.reset_index()) ``` 以上即为完整的Python实现RFM分析的过程[^1]。