今天教大家如何用Python寫一個(gè)電信用戶流失預(yù)測(cè)模型。之前我們用Python寫了員工流失預(yù)測(cè)模型，這次我們?cè)囋嘝ython預(yù)測(cè)電信用戶的流失。

[[342173]]

01、商業(yè)理解

流失客戶是指那些曾經(jīng)使用過(guò)產(chǎn)品或服務(wù)，由于對(duì)產(chǎn)品失去興趣等種種原因，不再使用產(chǎn)品或服務(wù)的顧客。

電信服務(wù)公司、互聯(lián)網(wǎng)服務(wù)提供商、保險(xiǎn)公司等經(jīng)常使用客戶流失分析和客戶流失率作為他們的關(guān)鍵業(yè)務(wù)指標(biāo)之一，因?yàn)榱糇∫粋€(gè)老客戶的成本遠(yuǎn)遠(yuǎn)低于獲得一個(gè)新客戶。

預(yù)測(cè)分析使用客戶流失預(yù)測(cè)模型，通過(guò)評(píng)估客戶流失的風(fēng)險(xiǎn)傾向來(lái)預(yù)測(cè)客戶流失。由于這些模型生成了一個(gè)流失概率排序名單，對(duì)于潛在的高概率流失客戶，他們可以有效地實(shí)施客戶保留營(yíng)銷計(jì)劃。

下面我們就教你如何用Python寫一個(gè)電信用戶流失預(yù)測(cè)模型，以下是具體步驟和關(guān)鍵代碼。

02、數(shù)據(jù)理解

此次分析數(shù)據(jù)來(lái)自于IBM Sample Data Sets，統(tǒng)計(jì)自某電信公司一段時(shí)間內(nèi)的消費(fèi)數(shù)據(jù)。共有7043筆客戶資料，每筆客戶資料包含21個(gè)字段，其中1個(gè)客戶ID字段，19個(gè)輸入字段及1個(gè)目標(biāo)字段-Churn(Yes代表流失，No代表未流失)，輸入字段主要包含以下三個(gè)維度指標(biāo)：用戶畫像指標(biāo)、消費(fèi)產(chǎn)品指標(biāo)、消費(fèi)信息指標(biāo)。字段的具體說(shuō)明如下：

03、數(shù)據(jù)讀入和概覽

首先導(dǎo)入所需包。

df = pd.read_csv('./Telco-Customer-Churn.csv') 
df.head()   

讀入數(shù)據(jù)集

df = pd.read_csv('./Telco-Customer-Churn.csv') 
df.head()   

04、數(shù)據(jù)初步清洗

首先進(jìn)行初步的數(shù)據(jù)清洗工作，包含錯(cuò)誤值和異常值處理，并劃分類別型和數(shù)值型字段類型，其中清洗部分包含：

• OnlineSecurity、OnlineBackup、DeviceProtection、TechSupport、StreamingTV、StreamingMovies：錯(cuò)誤值處理
• TotalCharges：異常值處理
• tenure：自定義分箱
• 定義類別型和數(shù)值型字段

# 錯(cuò)誤值處理 
repl_columns = ['OnlineSecurity', 'OnlineBackup', 'DeviceProtection',  
                'TechSupport','StreamingTV', 'StreamingMovies'] 
for i in repl_columns: 
    df[i]  = df[i].replace({'No internet service' : 'No'})  
# 替換值SeniorCitizendf["SeniorCitizen"] = df["SeniorCitizen"].replace({1: "Yes", 0: "No"})  
# 替換值TotalChargesdf['TotalCharges'] = df['TotalCharges'].replace(' ', np.nan)  
# TotalCharges空值：數(shù)據(jù)量小，直接刪除df = df.dropna(subset=['TotalCharges'])  
df.reset_index(drop=True, inplace=True)  # 重置索引# 轉(zhuǎn)換數(shù)據(jù)類型df['TotalCharges'] = df['TotalCharges'].astype('float') 
# 轉(zhuǎn)換tenuredef transform_tenure(x):    if x <= 12: 
        return 'Tenure_1' 
    elif x <= 24: 
        return 'Tenure_2' 
    elif x <= 36: 
        return 'Tenure_3' 
    elif x <= 48: 
        return 'Tenure_4' 
    elif x <= 60: 
        return 'Tenure_5' 
    else: 
        return 'Tenure_over_5'  
df['tenure_group'] = df.tenure.apply(transform_tenure) 
# 數(shù)值型和類別型字段Id_col = ['customerID'] 
target_col = ['Churn'] 
cat_cols = df.nunique()[df.nunique() < 10].index.tolist()  
num_cols = [i for i in df.columns if i not in cat_cols + Id_col]  
print('類別型字段：\n', cat_cols) 
print('-' * 30)  
print('數(shù)值型字段：\n', num_cols) 

類別型字段： 
 ['gender', 'SeniorCitizen', 'Partner', 'Dependents', 'PhoneService',  
  'MultipleLines', 'InternetService', 'OnlineSecurity', 
  'OnlineBackup', 'DeviceProtection', 'TechSupport', 
  'StreamingTV', 'StreamingMovies', 'Contract', 'PaperlessBilling',  
  'PaymentMethod', 'Churn', 'tenure_group'] 
------------------------------ 
數(shù)值型字段： ['tenure', 'MonthlyCharges', 'TotalCharges'] 

05、探索性分析

對(duì)指標(biāo)進(jìn)行歸納梳理，分用戶畫像指標(biāo)，消費(fèi)產(chǎn)品指標(biāo)，消費(fèi)信息指標(biāo)。探索影響用戶流失的關(guān)鍵因素。

1. 目標(biāo)變量Churn分布

經(jīng)過(guò)初步清洗之后的數(shù)據(jù)集大小為7032條記錄，其中流失客戶為1869條，占比26.6%，未流失客戶占比73.4%。

df['Churn'].value_counts()  
No     5163 
Yes    1869 
Name: Churn, dtype: int64 

trace0 = go.Pie(labels=df['Churn'].value_counts().index,  
                values=df['Churn'].value_counts().values, 
                hole=.5, 
                rotation=90, 
                marker=dict(colors=['rgb(154,203,228)', 'rgb(191,76,81)'],  
                            line=dict(color='white', width=1.3)) 
               )data = [trace0] layout = go.Layout(title='目標(biāo)變量Churn分布') 
fig = go.Figure(data=data, layout=layout) 
py.offline.plot(fig, filename='./html/整體流失情況分布.html') 

2.性別

分析可見(jiàn)，男性和女性在客戶流失比例上沒(méi)有顯著差異。

plot_bar(input_col='gender', target_col='Churn', title_name='性別與是否流失的關(guān)系') 

3. 老年用戶

老年用戶流失比例更高，為41.68%，比非老年用戶高近兩倍，此部分原因有待進(jìn)一步探討。

plot_bar(input_col='SeniorCitizen', target_col='Churn', title_name='老年用戶與是否流失的關(guān)系')  

4. 是否有配偶

從婚姻情況來(lái)看，數(shù)據(jù)顯示，未婚人群中流失的比例比已婚人數(shù)高出13%。

plot_bar(input_col='Partner', target_col='Churn', title_name='是否有配偶與是否流失的關(guān)系')  

5. 上網(wǎng)時(shí)長(zhǎng)

經(jīng)過(guò)分析，這方面可以得出兩個(gè)結(jié)論：

• 用戶的在網(wǎng)時(shí)長(zhǎng)越長(zhǎng)，表示用戶的忠誠(chéng)度越高，其流失的概率越低;
• 新用戶在1年內(nèi)的流失率顯著高于整體流失率，為47.68%。

plot_bar(input_col='tenure_group', target_col='Churn', title_name='在網(wǎng)時(shí)長(zhǎng)與是否流失的關(guān)系')  

6. 付款方式

支付方式上，支付上，選擇電子支票支付方式的用戶流失最高，達(dá)到45.29%，其他三種支付方式的流失率相差不大。

pd.crosstab(df['PaymentMethod'], df['Churn']) 

plot_bar(input_col='PaymentMethod', target_col='Churn', title_name='付款方式與是否流失關(guān)系')  

7. 月費(fèi)用

整體來(lái)看，隨著月費(fèi)用的增加，流失用戶的比例呈現(xiàn)高高低低的變化，月消費(fèi)80-100元的用戶相對(duì)較高。

plot_histogram(input_col='MonthlyCharges', title_name='月費(fèi)用與是否流失關(guān)系') 

8. 數(shù)值型屬性相關(guān)性

從相關(guān)性矩陣圖可以看出，用戶的往來(lái)期間和總費(fèi)用呈現(xiàn)高度相關(guān)，往來(lái)期間越長(zhǎng)，則總費(fèi)用越高。月消費(fèi)和總消費(fèi)呈現(xiàn)顯著相關(guān)。

plt.figure(figsize=(15, 10))   
sns.heatmap(df.corr(), linewidths=0.1, cmap='tab20c_r', annot=True) 
plt.title('數(shù)值型屬性的相關(guān)性', fontdict={'fontsize': 'xx-large', 'fontweight':'heavy'})  
plt.xticks(fontsize=12) 
plt.yticks(fontsize=12) 
plt.show()  

06、特征選擇

使用統(tǒng)計(jì)檢定方式進(jìn)行特征篩選。

# 刪除tenure 
df = df.drop('tenure', axis=1)  
from feature_selection import Feature_select# 劃分X和yX = df.drop(['customerID', 'Churn'], axis=1)  
y = df['Churn']    
fs = Feature_select(num_method='anova', cate_method='kf', pos_label='Yes') 
x_sel = fs.fit_transform(X, y)   
 
2020 09:30:02 INFO attr select success! 
After select attr: ['DeviceProtection', 'MultipleLines', 'OnlineSecurity',  
                    'TechSupport', 'tenure_group', 'PaperlessBilling', 
                    'InternetService', 'PaymentMethod', 'SeniorCitizen',  
                    'MonthlyCharges', 'Dependents', 'Partner', 'Contract',  
                    'StreamingTV', 'TotalCharges', 'StreamingMovies', 'OnlineBackup'] 

經(jīng)過(guò)特征篩選，gender和PhoneService字段被去掉。

07、建模前處理

在python中，為滿足建模需要，一般需要對(duì)數(shù)據(jù)做以下處理：

• 對(duì)于二分類變量，編碼為0和1;
• 對(duì)于多分類變量，進(jìn)行one_hot編碼;
• 對(duì)于數(shù)值型變量，部分模型如KNN、神經(jīng)網(wǎng)絡(luò)、Logistic需要進(jìn)行標(biāo)準(zhǔn)化處理。

# 篩選變量 
select_features = x_sel.columns# 建模數(shù)據(jù)df_model = pd.concat([df['customerID'], df[select_features], df['Churn']], axis=1)Id_col = ['customerID']target_col = ['Churn']# 分類型cat_cols = df_model.nunique()[df_model.nunique() < 10].index.tolist()  
# 二分類屬性 
binary_cols = df_model.nunique()[df_model.nunique() == 2].index.tolist() 
# 多分類屬性 
multi_cols = [i for i in cat_cols if i not in binary_cols]  
# 數(shù)值型 
num_cols = [i for i in df_model.columns if i not in cat_cols + Id_col]  
# 二分類-標(biāo)簽編碼 
le = LabelEncoder() 
for i in binary_cols: 
    df_model[i] = le.fit_transform(df_model[i])  
# 多分類-啞變量轉(zhuǎn)換 
df_model = pd.get_dummies(data=df_model, columns=multi_cols)  
df_model.head()  

08、模型建立和評(píng)估

首先使用分層抽樣的方式將數(shù)據(jù)劃分訓(xùn)練集和測(cè)試集。

# 重新劃分 
X = df_model.drop(['customerID', 'Churn'], axis=1)  
y = df_model['Churn']   
# 分層抽樣X(jué)_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0, stratify=y)  
print(X_train.shape, X_test.shape, y_train.shape, y_test.shape)  
#修正索引for i in [X_train, X_test, y_train, y_test]: 
    i.index = range(i.shape[0])  

(5625, 31) (1407, 31) (5625,) (1407,) 

# 保存標(biāo)準(zhǔn)化訓(xùn)練和測(cè)試數(shù)據(jù) 
st = StandardScaler()num_scaled_train = pd.DataFrame(st.fit_transform(X_train[num_cols]), columns=num_cols)num_scaled_test = pd.DataFrame(st.transform(X_test[num_cols]), columns=num_cols) X_train_sclaed = pd.concat([X_train.drop(num_cols, axis=1), num_scaled_train], axis=1) 
X_test_sclaed = pd.concat([X_test.drop(num_cols, axis=1), num_scaled_test], axis=1)  

然后建立一系列基準(zhǔn)模型并比較效果。

假如我們關(guān)注roc指標(biāo)，從模型表現(xiàn)效果來(lái)看，Naive Bayes效果最好。我們也可以對(duì)模型進(jìn)行進(jìn)一步優(yōu)化，比如對(duì)決策樹(shù)參數(shù)進(jìn)行調(diào)優(yōu)。

parameters = {'splitter': ('best','random'), 
              'criterion': ("gini","entropy"), 
              "max_depth": [*range(3, 20)], 
             }clf = DecisionTreeClassifier(random_state=25) 
GS = GridSearchCV(clf, parameters, scoring='f1', cv=10) 
GS.fit(X_train, y_train)print(GS.best_params_)  
print(GS.best_score_)  

{'criterion': 'entropy', 'max_depth': 5, 'splitter': 'best'} 
0.585900839405024 

clf = GS.best_estimator_ 
test_pred = clf.predict(X_test)print('測(cè)試集：\n', classification_report(y_test, test_pred)) 

測(cè)試集： 
               precision    recall  f1-score   support 
           0       0.86      0.86      0.86      1033 
           1       0.61      0.61      0.61       374 
    accuracy                           0.79      1407 
   macro avg       0.73      0.73      0.73      1407 
weighted avg       0.79      0.79      0.79      1407 

將這棵樹(shù)繪制出來(lái)。

import graphviz 
dot_data = tree.export_graphviz(decision_tree=clf, max_depth=3, 
                                 out_file=None,  
                                 feature_names=X_train.columns,                                 class_names=['not_churn', 'churn'],  
                                 filled=True, 
                                 rounded=True 
                                )graph = graphviz.Source(dot_data)  

輸出決策樹(shù)屬性重要性排序：

imp = pd.DataFrame(zip(X_train.columns, clf.feature_importances_)) 
imp.columns = ['feature', 'importances'] 
imp = imp.sort_values('importances', ascending=False) 
imp = imp[imp['importances'] != 0] 
table  = ff.create_table(np.round(imp, 4)) 
py.offline.iplot(table)   

后續(xù)優(yōu)化方向：

• 數(shù)據(jù)：分類技術(shù)應(yīng)用在目標(biāo)類別分布越均勻的數(shù)據(jù)集時(shí)，其所建立之分類器通常會(huì)有比較好的分類效能。針對(duì)數(shù)據(jù)在目標(biāo)字段上分布不平衡，可采用過(guò)采樣和欠采樣來(lái)處理類別不平衡問(wèn)題;
• 屬性：進(jìn)一步屬性篩選方法和屬性組合;
• 算法：參數(shù)調(diào)優(yōu);調(diào)整預(yù)測(cè)門檻值來(lái)增加預(yù)測(cè)效能。