Elo顾客忠诚度 —— kaggle数据

最新推荐文章于 2026-05-30 13:45:58 发布

原创

最新推荐文章于 2026-05-30 13:45:58 发布 · 3.8k 阅读

这篇博客介绍了基于Kaggle的Elo顾客忠诚度数据集，通过Python进行数据清洗、特征工程和建模过程。分析了历史和新商户的消费记录，处理缺失值，并在XGBoost模型中观察了变量的重要性。

前言

这个数据集来自Kaggle这是链接，是Elo（巴西最大的本土支付品牌之一）和Kaggle合作的项目，通过Elo的匿名数据集预测每个客户的忠诚度（具体到card_id），以及查找影响客户忠诚度的因素。这个是数据集是虚构的（官方是这么说的），而且部分变量都经过匿名处理，并不清楚具体何意（保密工作相当到位）。
整个数据集包含以下的数据，

historical_transactions：每个card_id的消费历史，共有2千9百多万条
new_merchant_transactions：测评期的消费数据，每个card_id在新商店的消费，近2百万条
merchants：商户的信息数据
train：训练集
test: 验证集
sample_submission：提交数据样本

分析建模

下面将通过python对消费数据进行处理，展现原始数据，已经数据清洗、特征工程和建模的过程。

数据载入

ht = pd.read_csv('all/historical_transactions.csv', dtype={
   
   'city_id': np.int16, 'installments': np.int8, 'merchant_category_id': np.int16, 'month_lag': np.int8, 'purchase_amount': np.float32, 'category_2': np.float16, 'state_id': np.int8, 'subsector_id':np.int8})
nt = pd.read_csv('all/new_merchant_transactions.csv', dtype={
   
   'city_id': np.int16, 'installments': np.int8, 'merchant_category_id': np.int16, 'month_lag': np.int8, 'purchase_amount': np.float32, 'category_2': np.float16, 'state_id': np.int8, 'subsector_id':np.int8})
train = pd.read_csv('all/train.csv')
test = pd.read_csv('all/test.csv')

我们先来看看数据长什么样，可以看到历史交易一共29112361条，测评期的交易有1963031条。
在这里插入图片描述

在这里插入图片描述

两份交易数据都有3个变量含有缺失值，下面进行数据清洗。
在这里插入图片描述

数据清洗

定义一个函数，然后对数据进行清洗。

def tidy_data(df):
    df['category_2'].fillna(0, inplace=True)
    df['category_3'].fillna('D', inplace=True)
    df['installments'].clip(-1, 12, inplace=True)# 有outliers，统一规定范围
    mode_mer = df['merchant_id'].mode().iloc[0]# 通过每张卡对应店铺的众数对merchant_id插补
    df.sort_values('card_id', inplace=True)
    group = df.groupby('card_id')['merchant_id'].apply(lambda x:x.fillna(x.mode().iloc[0] if len(x.mode())>0 else mode_mer))
    df.drop('merchant_id', axis=1, inplace=True)
    df['merchant_id'] = group.values
    return df

ht = tidy_data(ht)
nt = tidy_data(nt)

特征工程

现在，通过已有的数据增加一些变量，然后我们根据每个card_id消费记录（与各个变量的关系）对数据进行重组，构造一个新的数据集，方便后续操作。

def new_data(df):  
    df['purchase_date'] = pd.to_datetime(df['purchase_date'], format='%Y-%m-%d %H:%M:%S')
    df['month'] = df['purchase_date'].dt.month
    df['month'] = df['month'].astype(np.int8)
    df['day'] = df['purchase_date'