python 实现k-means聚类算法 银行客户分组画像实战（超详细，附源码）

想要数据集请点赞关注收藏后评论区留言留下QQ邮箱

k-means具体是什么这里就不再赘述，详情可以参见我这篇博客

k-means

问题描述：银行对客户信息进行采集，获得了200位客户的数据，客户特征包括以下四个1：社保号码 2：姓名  3：年龄 4：存款数量 使用k-means算法对客户进行分组，生成各类型客户的特点画像

肘部折线图如下  tips：利用肘部方法可以找到最佳的簇数，即看那个点之后逐渐收敛，则那个点为最优的簇数

由下图可以得知k=3或k=4时比较好

分类出的画像图如下，可以清楚的看出不同客户的画像

 源码如下

#-*-coding:utf-8-*-import  numpy  as npimport  matplotlib.pyplot as pltimport pandas as pdimport matplotlib; matplotlib.use('TkAgg')dataset=pd.read_csv(r'Customer_Info.csv')print(dataset)X=dataset.iloc[:,[4,3]].valuesfrom sklearn.cluster import  KMeanssumDs=[]for i in range(1,11):    kmeans=KMeans(n_clusters=i)    kmeans.fit(X)    sumDs.append(kmeans.inertia_)    print(kmeans.inertia_)plt.plot(range(1,11),sumDs)plt.title('the Elbow method')plt.xlabel('number of cluster k')plt.ylabel('SSE')plt.show()kmenas1=KMeans(n_clusters=3,init='k-means++',max_iter=300,n_init=10,random_state=0)y_kmeans=kmenas1.fit_predict(X)plt.scatter(X[y_kmeans==0,0],X[y_kmeans==0,1],s=100,marker='^',c='red',label='poor')plt.scatter(X[y_kmeans==2,0],X[y_kmeans==2,1],s=100,marker='o',c='green',label='middle')plt.scatter(X[y_kmeans==1,0],X[y_kmeans==1,1],s=100,marker='*',c='blue',label='rich')plt.scatter(kmenas1.cluster_centers_[:,0],kmenas1.cluster_centers_[:,1],s=250,c='yellow',label='Centroids')plt.title('clusters of customer info')plt.xlabel('deposit')plt.ylabel('age')plt.legend()plt.show()

数据集请点赞关注收藏后评论区留下QQ邮箱或者私信博主要

来源地址：https://blog.csdn.net/jiebaoshayebuhui/article/details/126954892