电信流失用户预测"/>
电信流失用户预测
写在前面的话
数据来源：DataFountain，后来发现DF上的数据可能是从Kaggle上搬运的。
笔者英语一般，所以原本数据集中英文列名被替换为了中文，文中变量的命名也有很多汉语拼音，阅读时请见谅。
刚刚入行Python数据分析，整体思路及部分代码多有参考，不足之处请大家多多指教。
导入需要用到的包及添加绘图设置
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import LabelEncoder,StandardScaler
import seaborn as sns
from collections import Counter
import warnings
warnings.filterwarnings('ignore')
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
%matplotlib inline
加载数据
data = pd.read_csv('C:/Users/Yans1/Desktop/WA_Fn-UseC_-Telco-Customer-Churn.csv')
data.head()
| customerID | gender | SeniorCitizen | Partner | Dependents | tenure | PhoneService | MultipleLines | InternetService | OnlineSecurity | ... | DeviceProtection | TechSupport | StreamingTV | StreamingMovies | Contract | PaperlessBilling | PaymentMethod | MonthlyCharges | TotalCharges | Churn | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 7590-VHVEG | Female | 0 | Yes | No | 1 | No | No phone service | DSL | No | ... | No | No | No | No | Month-to-month | Yes | Electronic check | 29.85 | 29.85 | No |
| 1 | 5575-GNVDE | Male | 0 | No | No | 34 | Yes | No | DSL | Yes | ... | Yes | No | No | No | One year | No | Mailed check | 56.95 | 1889.5 | No |
| 2 | 3668-QPYBK | Male | 0 | No | No | 2 | Yes | No | DSL | Yes | ... | No | No | No | No | Month-to-month | Yes | Mailed check | 53.85 | 108.15 | Yes |
| 3 | 7795-CFOCW | Male | 0 | No | No | 45 | No | No phone service | DSL | Yes | ... | Yes | Yes | No | No | One year | No | Bank transfer (automatic) | 42.30 | 1840.75 | No |
| 4 | 9237-HQITU | Female | 0 | No | No | 2 | Yes | No | Fiber optic | No | ... | No | No | No | No | Month-to-month | Yes | Electronic check | 70.70 | 151.65 | Yes |
5 rows × 21 columns
数据清洗
#将列索引替换为中文，便于理解
data.rename(columns={'customerID':'用户ID','gender':'性别','SeniorCitizen':'老年人','Partner':'是否有配偶','Dependents':'是否经济独立','tenure':'入网时间','PhoneService':'电话服务','MultipleLines':'多线业务','InternetService':'互联网服务','OnlineSecurity':'网络安全','OnlineBackup':'网络备份','DeviceProtection':'设备保护','TechSupport':'技术支持','StreamingTV':'网络电视','StreamingMovies':'网络电影','Contract':'合同方式','PaperlessBilling':'是否开通电子账单','PaymentMethod':'付款方式','MonthlyCharges':'月费用','TotalCharges':'总费用','Churn':'是否流失'},inplace=True)
查看数据类型
data.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 7043 entries, 0 to 7042
Data columns (total 21 columns):# Column Non-Null Count Dtype
--- ------ -------------- ----- 0 用户ID 7043 non-null object 1 性别 7043 non-null object 2 老年人 7043 non-null int64 3 是否有配偶 7043 non-null object 4 是否经济独立 7043 non-null object 5 入网时间 7043 non-null int64 6 电话服务 7043 non-null object 7 多线业务 7043 non-null object 8 互联网服务 7043 non-null object 9 网络安全 7043 non-null object 10 网络备份 7043 non-null object 11 设备保护 7043 non-null object 12 技术支持 7043 non-null object 13 网络电视 7043 non-null object 14 网络电影 7043 non-null object 15 合同方式 7043 non-null object 16 是否开通电子账单 7043 non-null object 17 付款方式 7043 non-null object 18 月费用 7043 non-null float6419 总费用 7043 non-null object 20 是否流失 7043 non-null object
dtypes: float64(1), int64(2), object(18)
memory usage: 1.1+ MB
1.根据月费用与总费用之间的关系做出推断，入网时间的单位为月，即入网时间的数字代表用户已经入网了几个月；
2.总费用需要转化为数值类型；
3.无缺失值
查看有无重复值
data.duplicated().sum()
0
没有完全相同的两行。
将总费用列转换为float类型
data['总费用'].astype(float)
#ValueError: could not convert string to float: ''
运行后报错，提示数据列中含有空格。
#找出含有空值的行
data.loc[data['总费用']==' ']
| 用户ID | 性别 | 老年人 | 是否有配偶 | 是否经济独立 | 入网时间 | 电话服务 | 多线业务 | 互联网服务 | 网络安全 | ... | 设备保护 | 技术支持 | 网络电视 | 网络电影 | 合同方式 | 是否开通电子账单 | 付款方式 | 月费用 | 总费用 | 是否流失 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 488 | 4472-LVYGI | Female | 0 | Yes | Yes | 0 | No | No phone service | DSL | Yes | ... | Yes | Yes | Yes | No | Two year | Yes | Bank transfer (automatic) | 52.55 | No | |
| 753 | 3115-CZMZD | Male | 0 | No | Yes | 0 | Yes | No | No | No internet service | ... | No internet service | No internet service | No internet service | No internet service | Two year | No | Mailed check | 20.25 | No | |
| 936 | 5709-LVOEQ | Female | 0 | Yes | Yes | 0 | Yes | No | DSL | Yes | ... | Yes | No | Yes | Yes | Two year | No | Mailed check | 80.85 | No | |
| 1082 | 4367-NUYAO | Male | 0 | Yes | Yes | 0 | Yes | Yes | No | No internet service | ... | No internet service | No internet service | No internet service | No internet service | Two year | No | Mailed check | 25.75 | No | |
| 1340 | 1371-DWPAZ | Female | 0 | Yes | Yes | 0 | No | No phone service | DSL | Yes | ... | Yes | Yes | Yes | No | Two year | No | Credit card (automatic) | 56.05 | No | |
| 3331 | 7644-OMVMY | Male | 0 | Yes | Yes | 0 | Yes | No | No | No internet service | ... | No internet service | No internet service | No internet service | No internet service | Two year | No | Mailed check | 19.85 | No | |
| 3826 | 3213-VVOLG | Male | 0 | Yes | Yes | 0 | Yes | Yes | No | No internet service | ... | No internet service | No internet service | No internet service | No internet service | Two year | No | Mailed check | 25.35 | No | |
| 4380 | 2520-SGTTA | Female | 0 | Yes | Yes | 0 | Yes | No | No | No internet service | ... | No internet service | No internet service | No internet service | No internet service | Two year | No | Mailed check | 20.00 | No | |
| 5218 | 2923-ARZLG | Male | 0 | Yes | Yes | 0 | Yes | No | No | No internet service | ... | No internet service | No internet service | No internet service | No internet service | One year | Yes | Mailed check | 19.70 | No | |
| 6670 | 4075-WKNIU | Female | 0 | Yes | Yes | 0 | Yes | Yes | DSL | No | ... | Yes | Yes | Yes | No | Two year | No | Mailed check | 73.35 | No | |
| 6754 | 2775-SEFEE | Male | 0 | No | Yes | 0 | Yes | Yes | DSL | Yes | ... | No | Yes | No | No | Two year | Yes | Bank transfer (automatic) | 61.90 | No |
11 rows × 21 columns
观察总费用列为空格的数据发现，这11列数据都有一个共同点，即入网时间为0。判断是因为导出数据的时候这11位用户是当月入网的新用户，只产生了月费用，没有生成总费用。同时可知，数据集中总费用不包括当月费用。所以将这部分数据填充0。
#使用replace()函数替换
data['总费用'] = data['总费用'].replace(' ',0)
data['总费用'] = data['总费用'].astype(float)
#查看此时的数据类型
data.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 7043 entries, 0 to 7042
Data columns (total 21 columns):# Column Non-Null Count Dtype
--- ------ -------------- ----- 0 用户ID 7043 non-null object 1 性别 7043 non-null object 2 老年人 7043 non-null int64 3 是否有配偶 7043 non-null object 4 是否经济独立 7043 non-null object 5 入网时间 7043 non-null int64 6 电话服务 7043 non-null object 7 多线业务 7043 non-null object 8 互联网服务 7043 non-null object 9 网络安全 7043 non-null object 10 网络备份 7043 non-null object 11 设备保护 7043 non-null object 12 技术支持 7043 non-null object 13 网络电视 7043 non-null object 14 网络电影 7043 non-null object 15 合同方式 7043 non-null object 16 是否开通电子账单 7043 non-null object 17 付款方式 7043 non-null object 18 月费用 7043 non-null float6419 总费用 7043 non-null float6420 是否流失 7043 non-null object
dtypes: float64(2), int64(2), object(17)
memory usage: 1.1+ MB
将用户ID列设置为索引列
data.set_index('用户ID',inplace=True)
查看离散型变量的取值
data_object_value = {}
for column in data.select_dtypes('object').columns.tolist():list = data[column].unique().tolist()data_object_value[column] = list
data_object_value
{'性别': ['Female', 'Male'],'是否有配偶': ['Yes', 'No'],'是否经济独立': ['No', 'Yes'],'电话服务': ['No', 'Yes'],'多线业务': ['No phone service', 'No', 'Yes'],'互联网服务': ['DSL', 'Fiber optic', 'No'],'网络安全': ['No', 'Yes', 'No internet service'],'网络备份': ['Yes', 'No', 'No internet service'],'设备保护': ['No', 'Yes', 'No internet service'],'技术支持': ['No', 'Yes', 'No internet service'],'网络电视': ['No', 'Yes', 'No internet service'],'网络电影': ['No', 'Yes', 'No internet service'],'合同方式': ['Month-to-month', 'One year', 'Two year'],'是否开通电子账单': ['Yes', 'No'],'付款方式': ['Electronic check','Mailed check','Bank transfer (automatic)','Credit card (automatic)'],'是否流失': ['No', 'Yes']}
通过查看表格内容可知特征变量包括：
用户属性相关：
性别
是否老年人
是否有配偶
是否经济独立
服务内容相关：
1.入网时间
2.有无电话服务，其中有电话服务的客户又分为有无多线；
3.有无互联网服务，其中有互联网服务的又分为：有无在线安全、有无在线备份、有无设备保护、有无技术支持、有无流媒体电视、有无流媒体电影；
合同相关：
合同签订方式方式：月度、年度、两年度；
是否开通电子账单；
付款方式，分为四类；
月费用；
总费用
流失用户分析
查看整体流失情况
data_mubiao = data.groupby('是否流失')['是否流失'].count()
plt.pie(data_mubiao,labels=['未流失','流失'],explode=(0.1,0),autopct='%.2f%%',textprops={'fontsize':'20'})
plt.title('客户流失率比例',size=24)
plt.show()
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-gvBPyr1C-1651242909185)(output_27_0.png)]
根据用户属性查看流失情况
list_yonghushuxing = ['性别','老年人','是否有配偶','是否经济独立']
fig, axes = plt.subplots(2,2,figsize=(18,12))
for i, item in enumerate(list_yonghushuxing):plt.subplot(2,2,(i+1))ax = sns.countplot(x=item,hue='是否流失',data=data,palette="Set2")plt.xlabel(item,fontsize=16)plt.ylabel('count',fontsize=16)plt.tick_params(labelsize=12)plt.title('用户流失与'+ str(item) + '之间的关系',fontsize=18)i=i+1
plt.tight_layout()
plt.show()
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-BmSg3gun-1651242909186)(output_29_0.png)]
可以看出：
1.性别对流失情况的区分不明显；
2.在用户群体中老年人占比不多但是流失率高；
3.未婚用户流失率较高；
4.经济未独立的用户流失率高于经济独立的用户。
根据服务内容查看流失情况
根据入网时间查看流失情况
#创建基于入网时间的流失率
df_time_liushi= data.groupby(['入网时间','是否流失'])['性别'].count() #此处以性别列做辅助列，无特殊意义，下同
df_time_liushi = pd.DataFrame(df_time_liushi)
df_time_liushi.reset_index(level=[0,1],inplace=True)
df_time_liushi = df_time_liushi.pivot_table(index='入网时间',columns='是否流失',values='性别')
df_time_liushi['流失率'] = df_time_liushi['Yes']/(df_time_liushi['No']+df_time_liushi['Yes'])
#生成图像
plt.rcParams['figure.figsize'] = (16,8)
sns.histplot(data=data,x='入网时间',hue='是否流失',multiple='dodge',palette='Set2')
plt.xlabel('入网时间',fontsize=16)
plt.ylabel('count',fontsize=16)
plt.title('用户流失与入网时间的关系',fontsize=18)
plt.twinx() #设置双坐标轴
sns.lineplot(x='入网时间',y='流失率',label='流失率',data=df_time_liushi)
plt.legend(loc='upper center')
plt.show()
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SJINWcef-1651242909187)(output_34_0.png)]
可以看出：
入网时间在一年以内的用户流失率非常高，随着入网时间的增长，流失率呈下降趋势，表明用户在使用过程中，粘性越来越高。但是对于新入网用户的留存还需要加大运营力度。
根据电话服务查看流失情况
#基于有无电话服务的流失率
df_phone_liushi= data.groupby(['电话服务','是否流失'])['性别'].count()
df_phone_liushi = pd.DataFrame(df_phone_liushi)
df_phone_liushi.reset_index(level=[0,1],inplace=True)
df_phone_liushi = df_phone_liushi.pivot_table(index='电话服务',columns='是否流失',values='性别')
df_phone_liushi['流失率'] = df_phone_liushi['Yes']/(df_phone_liushi['No']+df_phone_liushi['Yes'])
df_phone_liushi
| 是否流失 | No | Yes | 流失率 |
|---|---|---|---|
| 电话服务 | |||
| No | 512 | 170 | 0.249267 |
| Yes | 4662 | 1699 | 0.267096 |
#基于多线业务的流失率
df_duoxian_liushi= data.groupby(['多线业务','是否流失'])['性别'].count()
df_duoxian_liushi = pd.DataFrame(df_duoxian_liushi)
df_duoxian_liushi.reset_index(level=[0,1],inplace=True)
df_duoxian_liushi = df_duoxian_liushi.pivot_table(index='多线业务',columns='是否流失',values='性别')
df_duoxian_liushi['流失率'] = df_duoxian_liushi['Yes']/(df_duoxian_liushi['No']+df_duoxian_liushi['Yes'])
df_duoxian_liushi
| 是否流失 | No | Yes | 流失率 |
|---|---|---|---|
| 多线业务 | |||
| No | 2541 | 849 | 0.250442 |
| No phone service | 512 | 170 | 0.249267 |
| Yes | 2121 | 850 | 0.286099 |
通过与整体流失率比较，可以看出基于电话服务流失情况与整体流失情况基本一致，而开通了多线业务的流失率更高。
根据互联网服务内容查看流失情况
#创建基于互联网服务的流失率
df_net_liushi = data.groupby(['互联网服务','是否流失'])['性别'].count()
df_net_liushi = pd.DataFrame(df_net_liushi)
df_net_liushi.reset_index(level=[0,1],inplace=True)
df_net_liushi = df_net_liushi.pivot_table(index='互联网服务',columns='是否流失',values='性别')
df_net_liushi['流失率'] = df_net_liushi['Yes']/(df_net_liushi['No']+df_net_liushi['Yes'])
#生成图像
plt.rcParams['figure.figsize'] = (8,8)
sns.histplot(data=data,x='互联网服务',hue='是否流失',multiple='stack',palette='Set2',shrink=0.5)
plt.xlabel('互联网服务',fontsize=16)
plt.ylabel('count',fontsize=16)
plt.title('用户流失与互联网服务之间的关系',fontsize=18)
plt.twinx()
sns.lineplot(x=['DSL', 'Fiber optic', 'No'],y='流失率',label='流失率',data=df_net_liushi)
plt.legend(loc='right')
plt.show()
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-u9vqDwHK-1651242909187)(output_42_0.png)]
可以看出：
开通了’Fiber optic’服务的用户流失率非常高，建议针对这部分用户优化用户体验，提升用户留存。
根据有无互联网增值服务查看流失情况
list_fuwuneirong = ['网络安全','网络备份','设备保护','技术支持','网络电视','网络电影']
fig, axes = plt.subplots(2,3,figsize=(18,12))
for i, item in enumerate(list_fuwuneirong):plt.subplot(2,3,(i+1))ax = sns.countplot(x=item,hue='是否流失',data=data,palette="Set2",order=["Yes","No","No internet service"])plt.xlabel(str(item),fontsize=16)plt.ylabel('count',fontsize=16)plt.tick_params(labelsize=12)plt.title('用户流失与'+ str(item) + '之间的关系',fontsize=18)i=i+1
plt.tight_layout()
plt.show()
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3mrs5p1U-1651242909187)(output_45_0.png)]
可以看出：
开通了相关服务的用户流失率较低。没有互联网服务的用户群体流失率低，但是开通了互联网服务，没有开通某些单项服务的用户群体流失率高。推测是因为用户没有体验到完整服务，得不到完善的使用体验，建议对这部分用户进行服务拓展，提升用户留存。
根据合同相关的部分查看流失情况
根据合同方式查看流失情况
#创建基于合同方式的流失率
df_hetong_liushi= data.groupby(['合同方式','是否流失'])['性别'].count()
df_hetong_liushi = pd.DataFrame(df_hetong_liushi)
df_hetong_liushi.reset_index(level=[0,1],inplace=True)
df_hetong_liushi = df_hetong_liushi.pivot_table(index='合同方式',columns='是否流失',values='性别')
df_hetong_liushi['流失率'] = df_hetong_liushi['Yes']/(df_hetong_liushi['No']+df_hetong_liushi['Yes'])
#生成图像
plt.rcParams['figure.figsize'] = (8,8)
sns.histplot(data=data,x='合同方式',hue='是否流失',multiple='stack',palette='Set2',shrink=0.5)
plt.xlabel('合同方式',fontsize=16)
plt.ylabel('count',fontsize=16)
plt.title('用户流失与合同方式的关系',fontsize=18)
plt.twinx()
sns.lineplot(x='合同方式',y='流失率',label='流失率',data=df_hetong_liushi)
plt.legend(loc='upper center')
plt.show()
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bqpspeIw-1651242909187)(output_50_0.png)]
可以看出：
合同签订的越长，用户流失率越低，一部分原因是这类用户对产品的信赖度高，相对稳定，另一份原因是长期合同对用户产生了一定的约束，避免了用户的流失。
建议签订合同时，通过优惠等促销手段引导用户签订长期合同。
根据是否开通电子账单查看流失情况
#创建基于合同方式的流失率
df_zhangdan_liushi= data.groupby(['是否开通电子账单','是否流失'])['性别'].count()
df_zhangdan_liushi = pd.DataFrame(df_zhangdan_liushi)
df_zhangdan_liushi.reset_index(level=[0,1],inplace=True)
df_zhangdan_liushi = df_zhangdan_liushi.pivot_table(index='是否开通电子账单',columns='是否流失',values='性别')
df_zhangdan_liushi['流失率'] = df_zhangdan_liushi['Yes']/(df_zhangdan_liushi['No']+df_zhangdan_liushi['Yes'])
#生成图像
plt.rcParams['figure.figsize'] = (8,8)
sns.histplot(data=data,x='是否开通电子账单',hue='是否流失',multiple='stack',palette='Set2',shrink=0.5)
plt.xlabel('是否开通电子账单',fontsize=16)
plt.ylabel('count',fontsize=16)
plt.title('用户流失与是否开通电子账单之间的关系',fontsize=18)
plt.twinx()
sns.lineplot(x='是否开通电子账单',y='流失率',label='流失率',data=df_zhangdan_liushi)
plt.legend(loc='upper center')
plt.show()
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-1MKbHQWs-1651242909188)(output_54_0.png)]
可以看出：
开通了电子账单的用户流失率较高，说明电子账单的用户体验并不好，建议针对这点进行优化。
根据付款方式查看流失情况
#创建基于合同方式的流失率
df_pay_liushi= data.groupby(['付款方式','是否流失'])['性别'].count()
df_pay_liushi = pd.DataFrame(df_pay_liushi)
df_pay_liushi.reset_index(level=[0,1],inplace=True)
df_pay_liushi = df_pay_liushi.pivot_table(index='付款方式',columns='是否流失',values='性别')
df_pay_liushi['流失率'] = df_pay_liushi['Yes']/(df_pay_liushi['No']+df_pay_liushi['Yes'])
#生成图像
plt.rcParams['figure.figsize'] = (8,8)
sns.histplot(data=data,x='付款方式',hue='是否流失',multiple='stack',palette='Set2',shrink=0.5)
plt.xlabel('付款方式',fontsize=16)
plt.ylabel('count',fontsize=16)
plt.title('用户流失与付款方式之间的关系',fontsize=18)
plt.twinx()
sns.lineplot(x='付款方式',y='流失率',label='流失率',data=df_pay_liushi)
plt.legend(loc='upper center')
plt.show()
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-O2GY3jvz-1651242909188)(output_58_0.png)]
可以看出：
使用Electronic check的用户流失率最高，其余三种付款方式的用户流失率基本一致，建议优化Electronic check的使用体验
查看不同月消费金额的流失情况
plt.rcParams['figure.figsize'] = (16,8)
sns.histplot(data=data,x='月费用',hue='是否流失',multiple='dodge',palette='Set2')
plt.xlabel('月费用',fontsize=16)
plt.ylabel('count',fontsize=16)
plt.title('用户流失与月消费金额之间的关系',fontsize=18)
plt.show()
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-XrfiTYbg-1651242909188)(output_61_0.png)]
可以看出：
月消费金额在70~110之间的用户流失率较高。
查看不同总消费金额的流失情况
plt.rcParams['figure.figsize'] = (16,8)
sns.histplot(data=data,x='总费用',hue='是否流失',multiple='dodge',palette='Set2')
plt.xlabel('总费用',fontsize=16)
plt.ylabel('count',fontsize=16)
plt.title('用户流失与总消费金额之间的关系',fontsize=18)
plt.show()
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-wJKlQq31-1651242909188)(output_64_0.png)]
可以看出：
随着总消费金额的增多，用户的流失率逐渐下降。说明随着用户对产品的使用，用户粘性越来越高。
特征工程
对离散型变量编码并生成对应关系
#对文本型内容进行编码并生成对照表、转码后的数据表
le = LabelEncoder()
data_duizhao = pd.DataFrame(columns=[0,1,2,3])
data_trans = pd.DataFrame()
list_object_list = data.select_dtypes('object').columns.tolist()
for i,column in enumerate(list_object_list):label_i = le.fit_transform(data[column])data_trans[column] = label_ila_i = le.classes_list_data = []list_data.append(la_i.tolist())data_duizhao = data_duizhao.append(pd.DataFrame(list_data))
data_duizhao['变量'] = list_object_list
data_duizhao.set_index('变量',inplace=True)
data_duizhao
| 0 | 1 | 2 | 3 | |
|---|---|---|---|---|
| 变量 | ||||
| 性别 | Female | Male | NaN | NaN |
| 是否有配偶 | No | Yes | NaN | NaN |
| 是否经济独立 | No | Yes | NaN | NaN |
| 电话服务 | No | Yes | NaN | NaN |
| 多线业务 | No | No phone service | Yes | NaN |
| 互联网服务 | DSL | Fiber optic | No | NaN |
| 网络安全 | No | No internet service | Yes | NaN |
| 网络备份 | No | No internet service | Yes | NaN |
| 设备保护 | No | No internet service | Yes | NaN |
| 技术支持 | No | No internet service | Yes | NaN |
| 网络电视 | No | No internet service | Yes | NaN |
| 网络电影 | No | No internet service | Yes | NaN |
| 合同方式 | Month-to-month | One year | Two year | NaN |
| 是否开通电子账单 | No | Yes | NaN | NaN |
| 付款方式 | Bank transfer (automatic) | Credit card (automatic) | Electronic check | Mailed check |
| 是否流失 | No | Yes | NaN | NaN |
对连续特征进行标准化处理
#对连续变量做归一化并与文本型变量处理后的表格合并
data_trans[['入网时间','月费用','总费用']] = StandardScaler().fit_transform(data[['入网时间','月费用','总费用']])
data_trans['老年人'] = data.loc[:,['老年人']].values
data_trans.head()
| 性别 | 是否有配偶 | 是否经济独立 | 电话服务 | 多线业务 | 互联网服务 | 网络安全 | 网络备份 | 设备保护 | 技术支持 | 网络电视 | 网络电影 | 合同方式 | 是否开通电子账单 | 付款方式 | 是否流失 | 入网时间 | 月费用 | 总费用 | 老年人 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 1 | 2 | 0 | -1.277445 | -1.160323 | -0.992611 | 0 |
| 1 | 1 | 0 | 0 | 1 | 0 | 0 | 2 | 0 | 2 | 0 | 0 | 0 | 1 | 0 | 3 | 0 | 0.066327 | -0.259629 | -0.172165 | 0 |
| 2 | 1 | 0 | 0 | 1 | 0 | 0 | 2 | 2 | 0 | 0 | 0 | 0 | 0 | 1 | 3 | 1 | -1.236724 | -0.362660 | -0.958066 | 0 |
| 3 | 1 | 0 | 0 | 0 | 1 | 0 | 2 | 0 | 2 | 2 | 0 | 0 | 1 | 0 | 0 | 0 | 0.514251 | -0.746535 | -0.193672 | 0 |
| 4 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 2 | 1 | -1.236724 | 0.197365 | -0.938874 | 0 |
data_trans即为处理好的数据集。
数据相关性分析
data_corr = data_trans.corr()
df_corr = pd.DataFrame(data_corr['是否流失'].sort_values(ascending = False)).T
plt.figure(figsize=(16,8))
sns.barplot(data=df_corr,palette='Set2')
plt.tick_params(labelsize=14)
plt.xticks(rotation=45)
plt.title('数据相关性分析',fontsize=20)
plt.show()
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-jTAa6EWg-1651242909189)(output_73_0.png)]
可以看出：
电话服务与性别这两个变量与是否流失的相关性最弱，这也符合前面针对单个变量查看时的情况。因此在特征变量选取时，可以删除这两个变量
提取特征变量和目标变量
#从处理好的数据集中删除电话服务和性别两列
data_trans.drop(['电话服务','性别'],axis=1,inplace=True)
#提取特征变量与目标变量
X = data_trans.drop(columns='是否流失').copy()
y = data_trans['是否流失']
#查看特征变量的前五行
X.head()
| 是否有配偶 | 是否经济独立 | 多线业务 | 互联网服务 | 网络安全 | 网络备份 | 设备保护 | 技术支持 | 网络电视 | 网络电影 | 合同方式 | 是否开通电子账单 | 付款方式 | 入网时间 | 月费用 | 总费用 | 老年人 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 1 | 0 | 1 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 1 | 2 | -1.277445 | -1.160323 | -0.992611 | 0 |
| 1 | 0 | 0 | 0 | 0 | 2 | 0 | 2 | 0 | 0 | 0 | 1 | 0 | 3 | 0.066327 | -0.259629 | -0.172165 | 0 |
| 2 | 0 | 0 | 0 | 0 | 2 | 2 | 0 | 0 | 0 | 0 | 0 | 1 | 3 | -1.236724 | -0.362660 | -0.958066 | 0 |
| 3 | 0 | 0 | 1 | 0 | 2 | 0 | 2 | 2 | 0 | 0 | 1 | 0 | 0 | 0.514251 | -0.746535 | -0.193672 | 0 |
| 4 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 2 | -1.236724 | 0.197365 | -0.938874 | 0 |
划分训练集与测试集
from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.3,random_state=123)
X_train.shape
(4930, 17)
X_test.shape
(2113, 17)
模型搭建与评估
from sklearn.ensemble import RandomForestClassifier # 随机森林
from sklearn.svm import SVC, LinearSVC # 支持向量机
from sklearn.linear_model import LogisticRegression # 逻辑回归
from sklearn.neighbors import KNeighborsClassifier # KNN算法
from sklearn.naive_bayes import GaussianNB # 朴素贝叶斯
from sklearn.tree import DecisionTreeClassifier # 决策树模型
from xgboost import XGBClassifier # XGBoost算法
from sklearn.ensemble import AdaBoostClassifier # AdaBoost算法
from sklearn.ensemble import GradientBoostingClassifier # GBDT算法
from lightgbm import LGBMClassifier # LightGBM算法from sklearn.metrics import precision_score, recall_score, f1_score
from sklearn.metrics import confusion_matrix
from sklearn.model_selection import GridSearchCV # 网格搜索
Classifiers=[['随机森林',RandomForestClassifier()],['支持向量机',SVC()],['逻辑回归',LogisticRegression()],['KNN算法',KNeighborsClassifier(n_neighbors=5)],['朴素贝叶斯',GaussianNB()],['决策树模型',DecisionTreeClassifier()],["XGB", XGBClassifier()],['AdaBoost算法', AdaBoostClassifier()],['GBDT算法', GradientBoostingClassifier()],['LightGBM算法',LGBMClassifier()]
]
Classify_result=[]
names=[]
prediction=[]
for name,classifier in Classifiers:classifier=classifierclassifier.fit(X_train,y_train)y_pred=classifier.predict(X_test)recall=recall_score(y_test,y_pred)precision=precision_score(y_test,y_pred)f1score = f1_score(y_test, y_pred)class_eva=pd.DataFrame([recall,precision,f1score])Classify_result.append(class_eva)name=pd.Series(name)names.append(name)y_pred=pd.Series(y_pred)prediction.append(y_pred)
classifier_names=pd.DataFrame(names)
classifier_names=classifier_names[0].tolist()
result=pd.concat(Classify_result,axis=1)
result.columns=classifier_names
result.index=["recall","precision","f1score"]
result
| 随机森林 | 支持向量机 | 逻辑回归 | KNN算法 | 朴素贝叶斯 | 决策树模型 | XGB | AdaBoost算法 | GBDT算法 | LightGBM算法 | |
|---|---|---|---|---|---|---|---|---|---|---|
| recall | 0.459322 | 0.425424 | 0.520339 | 0.452542 | 0.727119 | 0.493220 | 0.493220 | 0.506780 | 0.501695 | 0.501695 |
| precision | 0.665848 | 0.701117 | 0.683742 | 0.589404 | 0.551414 | 0.533945 | 0.627155 | 0.670404 | 0.682028 | 0.653422 |
| f1score | 0.543631 | 0.529536 | 0.590953 | 0.511985 | 0.627193 | 0.512775 | 0.552182 | 0.577220 | 0.578125 | 0.567593 |
可以看出：
以f1_score为评估值，在都选取默认参数的情况下，朴素贝叶斯、逻辑回归、GBDT三个模型的效果较好。
结论与建议
流失用户特征
1.老年用户、未婚用户、经济未独立用户的更容易流失；
2.新用户、未完整开通互联网服务内容的用户流失率高；
3.签订短周期合同、使用Electronic check的用户流失率最高、月消费金额在70~110之间的三类用户，更容易流失。
建议
1.通过调查问卷，了解易流失用户的痛点，完善相关服务；
2.对于新用户，通过促销等优惠手段，引导用户体验完整的互联网服务；一方面增强用户对产品的认知度，另一方面促进用户对产品产生依赖；
3.对于签订月度合同的用户，通过增值服务等长期合约，或者通过优惠引导用户签订长期合同提高用户留存。
4.优化Electronic check的使用体验，深挖用户使用场景中的痛点并改进，或者通过优惠券引导用户使用其它支付方式。
更多推荐
电信流失用户预测
发布评论