wps最新官网的下载地址怎么找

官网wps的下载的地方在哪里

作者：

seo

在

　　案例数据及notebook百度网盘链接—提取码：1234 或者可以从我上传的资源里面找，下载不需要积分

　　传送门：

　　数据挖掘实战—财政收入影响因素分析及预测数据挖掘实战—航空公司客户价值分析数据挖掘实战—商品零售购物篮分析数据挖掘实战—基于水色图像的水质评价数据挖掘实战—家用热水器用户行为分析与事件识别数据挖掘实战—电商产品评论数据情感分析

　　  企业在面向客户制定运营策略与营销策略时，希望针对不同的客户推行不同的策略，实现精准化运营。通过客户分类，对客户群体进行细分，区分出低价值客户与高价值客户，对不同的客户群体开展不同的个性化服务，将有限的资源合理地分配给不同价值的客户，从而实现效益（利润）最大化。本文将使用航空公司客户数据，结合模型，采用聚类算法，对客户进行分群，比较不同类别客户的价值，从而指定相应的营销策略。定义挖掘目标如下：

　　借助航空公司数据对客户进行分类对不同的客户类别进行特征分析，比较不同类别客户的价值针对不同价值的客户制定相应的营销策略，为其提供个性化服务

　　本文数据挖掘主要包括以下步骤：

　　抽取航空公司2012年4月1日至 wps 的官网的下载的地方2014年3月31日的数据对抽取的数据进行数据探索分析，数据预处理，包括数据缺失值与异常值的探索分析、数据清洗、特征构建、标准化等操作基于RFM模型，使用K-means算法进行客户分群针对模型结果得到不同价值的客户，采用不同的营销手段，提供定制化服务

　　 wps office 的官方下载的入口在哪(金山wps官网最新下载安装)在这里插入图片描述

　　  航空公司数据属性说明如下：

　　在这里插入图片描述

　　在这里插入图片描述

　　1.数据质量分析电脑版的WPS office的下载的网站在哪里

　　1.1 缺失值分析

　　  缺失值可视化,图中的白线即为缺失值

　　在这里插入图片描述

　　  利用柱状图进行缺失值可视化，柱状图的高度代表非缺失比例

　　在这里插入图片描述

　　  定量展示每一列缺失值个数并排序

　　在这里插入图片描述

　　  展示每一列的缺失值个数与缺失率以及缺失值的属性

　　![在这里插入图片描述](https://img-blog.csdnimg.cn/202104052120

　　1.2 异常值分析

　　  用箱型图来识别异常值，箱型图识别异常值是以四分位数与四分位距为基础，同时结合业务逻辑，因为异常值并不代表是错误值，需要结合业务来考虑异常值在不在合理的范围内。

　　在这里插入图片描述

　　以AGE为例，很明显看出该特征有异常值，而且这个异常值对于业务来说属于噪声，应当进行删除异常值或者将异常值取为空，然后在进行补充

　　在这里插入图片描述

　　  对每个图进行分析，分析结果如下，这个是自身对业务的认知水平基础上的分析
官网wps的最新的下载入口在哪里
　　FFP_TIER:会员卡级别中数据要么6要么5没有异常值

　　AGE:年龄中可以看到有些大于100岁，要对这些数据进行处理

　　FLIGHT_COUNT:观测窗口内的飞行次数没有小于0的值，其他不在箱子中的异常值是有价值

　　BP_SUM:总基本积分没有小于0的值，其他不在箱子里面的值是有价值

　　EP_SUM =EP_SUM_YR_1 &#4WPS office官网最新的下载的方法的方法3;EP_SUM_YR_2 :总精英积分有1个值远高于其他值，这个我认为是有价值的异常值

　　SUM_YR = SUM_YR_1 + SUM_YR_2:观测窗口的票价收入，没有低于0的，有特别高的，我认为是有价值的异常值

　　SEG_KM_SUM :观测窗口的飞行里程数，没有小于0的值，有特别高,我认为是有价值的异常值

　　WEIGHTED_SEG_KM : 含义未知，跟里程数有关

　　AVG_FLIGHT_COUNT : 平均里程数 没有小于0的值，有特别高,我认为是有价值的异常值

　　AVG_BP_SUM:平均基本积分，没有小于0的，有特别高的，我认为是有价值的异常值

　　BEGIN_TO_FIRST:我猜测是第一次乘机时间至观测窗口结束时长，没有小于0的，有特别高的，我认为是有价值的异常值

　　LAST_TO_END:最后一次乘机时间至观测窗口结束时长，我猜测是时间间隔类数据，没有小于0的，有特别高的，我认为是有价值的异常值

　　AVG_INTERVAL : 平均乘机时间间隔，即(LAST_TO_END – BEGIN_TO_FIRST) / FLIGHT_COUNT，没有负值

　　MAX_INTERVAL : 最大乘机时间间隔，没有负值

　　EXCHANGE_COUNT : 积分兑换次数，没有负值

　　ADD_POINT_SUM : 具体含义未知，累积积分的一种，看着没有负值，之后统计分析的时候再看一下，这个值与ADD_POINT_SUM_YR_1和ADD_POINT_SUM_YR_2有关

　　Eli_Add_Point_Sum:具体含义未知，累积积分的一种，看着没有负值，之后统计分析的时候再看一下，

　　Ponits_Sum : 总累积积分，看着没有小于0的，有特别高的，我认为是有价值的异常值

　　Ponit_NotFlight:非乘机的积分变动次数，看着没有小于0的

　　总结：AGE有异常值

　　1.3 重复数据分析

　　在这里插入图片描述

　　2.数据特征分析

　　2.1 描述性统计分析

　　在这里插入图片描述

　　在这里插入图片描述

　　  从表中可以看出，有3个连续型数据列有缺失值，年龄最大值为110岁，年龄中存在异常值。在三个含缺失值列中有两个是票价(SUM_YR = SUM_YR_1 + SUM_YR_2)，票价为空值的数据可能是客户不存在乘机记录造成的。票价列还存在票价为0，折扣率为0，但总飞行里程数大于0的记录。这种数据业务上可以这么理解：客户乘坐了0折机票或者机票是通过非购买的其他途径获得。

　　2.2 分布分析

　　  从三个角度寻找客户信息的分布规律

　　2.2.1 客户基本信息分布分析

　　  针对客户基本信息中的入会时间、性别、会员卡级别和年龄字段进行分析

　　入会时间—各年份入会人数变化图

　　在这里插入图片描述

　　在这里插入图片描述

　　可以发现入会人数大致是随着年份的增加而增加，在2012年达到顶峰。2009年与2013年与趋势不符，有可能是采样的问题，有可能是其他类似政策的问题

　　性别—入会性别比例图

　　在这里插入图片描述

　　在这里插入图片描述

　　会员卡级别—会员卡级别统计图

　　在这里插入图片描述

　　在这里插入图片描述

　　可以看出绝大多数会员为4级会员，仅有少数5级或者6级会员

　　年龄

　　在这里插入图片描述

　　可以看出绝大多数年龄位于30~50岁之间，还存在一个年龄大于100岁的异常数据

　　2.2.2 客户乘机信息分析

　　  针对客户乘机信息中的观测窗口内的飞行次数，观测窗口内的总飞行公里数，观测窗口内的票价收入，平均乘机时间间隔来分析

　　观测窗口内的飞行次数与观测窗口内的总飞行公里数

　　在这里插入图片描述

　　在这里插入图片描述

　　  对观测窗口内的飞行次数与观测窗口内的总飞行公里数进行绘图

　　在这里插入图片描述

　　通过图像可以很清晰的发现：客户的飞行次数与总飞行里程数明显分为两个群体，大部分客户集中在箱型图中的箱体中，少数客户位于箱体上方，这部分客户很可能就是高价值客户

　　观测窗口内的票价收入

　　在这里插入图片描述

　　在这里插入图片描述

　　通过直方图可以发现：绝大多数的会员票价收入小于3000，客户明显被分为两个群体，箱型体上方的客户很可能是高价值客户官网wps的下载地址怎么找

　　平均乘机时间间隔统计

　　在这里插入图片描述

　　在这里插入图片描述

　　最后一次乘机时间至观测窗口时长

　　在这里插入图片描述

　　最后一次乘机时间至观测窗口时长越短，表示客户对航空公司越满意。时间间隔越短同时也表示该客户可能是高价值客户。并且还可以从这个属性中看到公司的发展问题，如果时间间隔短的客户越来越少，说明该公司的运营出现了问题，需要及时调整营销策略。官网wps 的最新下载入口怎么找

　　2.2.3 客户积分信息分布分析

　　  针对客户积分信息中的积分兑换次数、总累计积分进行分析

　　积分兑换次数

　　在这里插入图片描述

　　在这里插入图片描述

　　通过图形可以看出：绝大多数兑换次数位于0~10次之间，这表明大部分客户很少进行积分兑换

　　2. 总累计积分

　　在这里插入图片描述

　　在这里插入图片描述

　　通过箱型图可以看出：绝大多数的累积积分比较小，箱型体外的积分明显高于箱型体内的积分

　　2.3 相关性分析

　　在这里插入图片描述

　　  分析入会时间、会员卡级别、会员年龄、飞行次数、飞行里程数、观测窗口内的票价收入，平均乘机时间间隔，最近一次乘机至结束时长、积分兑换次数、总累计积分属性的相关性

　　在这里插入图片描述
wps office免费版的下载入口在哪里
　　在这里插入图片描述

　　在这里插入图片描述

　　通过热力图可以看出：部分属性之间存在强相关性，比如总飞行公里数与票价收入，总累计积分，飞行次数。

　　  针对航空客户数据从数据清洗、属性归纳与数据变换入手进行数据预处理

　　1.数据清洗

　　1.1 异常值处理

　　  根据数据预处理我们知道了，原始数据中存在票价为空值的记录，同时存在票价最小值为0，折扣率最小值为0，总飞行公里数大于0的记录，同时年龄中存在一个大于100的记录。由于这类数据在原始数据中占比不大，这里采用丢弃处理。

　　WPS office官网最新下载的地址的方法在这里插入图片描述

　　在这里插入图片描述

　　1.2 缺失值处理

　　在这里插入图片描述

　　发现有4个类别型数据：WORK_CITY，WORK_PROVINCE ，WORK_COUNTRY ，GENDER中缺失值

　　1个连续型数据：AGE有缺失值

　　由前面的相关性图可以看出，年龄与其他属性的相关性低，因此这里可以采用均值填充

　　在这里插入图片描述

　　2.属性归约

　　  RFM模型中，消费金额(M)表示一段时间内客户购买该企业产品金额的总和。由于航空公司票价受运输距离、舱位等级等影响因素，即并不是金额越高的客户并不一定比金额低的客户价值高（长途经济舱与短途商务舱的对比）。基于航空公司业务，这个特征用一定时间内累计的飞行里程M 与客户在一定时间内乘坐舱位对应的平均折扣率C来代替。同时考虑到会员的入会时间在一定程度上能够影响客户的价值，所以在模型中增加客户关系长度L，作为区分客户的一种特征。本模型将以下5个特征作为识别客户价值的特征，即为LRFMC模型。

　　在这里插入图片描述

　　根据LRFMC模型，选择与LRFMC指标相关的6个属性:，删除与其不相关、弱相关或冗余属性。

　　在这里插入图片描述

　　3.数值变换

　　  构造入会时长指标，并对数据进行标准化

　　在这里插入图片描述

　　1.客户聚类分群

　　  采用算法对客户进行聚类，基于业务逻辑，聚类为5群

　　在这里插入图片描述

　　2.客户价值分析

　　  针对聚类结果进行特征分析，绘制客户分群雷达图

　　在这里插入图片描述

　　由雷达图中可知：客群1在C处最大，在F,M处的值较小，说明客群1是偏好坐高级舱的客户群（一般航班舱位等级越高，折扣系数越大）。客群2在L,R，F,M,C处都小，说明客群2是新入会员较多客户群。客群3在L处最大，在R处值较小，其他特征适中，说明客群3属于入会时间长，飞行频率高的高价值客户。客群4在F，M处最大，且在R处最小，说明客户群体4频繁乘机并且最近也有乘机记录。客群5在R处最大，在其他特征处都较小，属于入会时间短的低价值客户群。

　　  总结每个客户群的优势与弱势特征

　　在这里插入图片描述

　　  根据以上特征分析，说明不同用户类别的表现特征不同。基于特征描述，我们将客户分为5个等级：重要保持客户，重要发展客户，重要挽留客户，一般客户与低价值客户

　　在这里插入图片描述

　　在这里插入图片描述

　　在这里插入图片描述

　　在这里插入图片描述

　　在这里插入图片描述

　　参考于《python数据分析与挖掘实战》

　　如果对您有帮助，麻烦点赞关注，这真的对我很重要！！！如果需要互关，请评论留言或私信！

　　在这里插入图片描述

更多文章