Python 教程：构建一个模型以通过 SQL 机器学习对客户进行聚类分析

适用于： SQL Server 2017 (14.x) 及更高版本 Azure SQL 托管实例

在这个由四部分组成的教程系列的第三部分中，你将在 Python 中创建一个 K-Means 模型来执行聚类分析。 在本系列的下一部分中，你将在 SQL Server 机器学习服务中或大数据群集上将此模型部署到数据库中。

本文将指导如何进行以下操作：

• 定义 K-Means 算法的群集数
• 执行聚类分析
• 分析结果

在第一部分中，你安装了必备条件并还原了示例数据库。

在第二部分中，你了解了如何从数据库准备数据以执行聚类分析。

在第四部分中，你将了解如何在数据库中创建存储过程，以便基于新数据在 Python 中执行聚类分析。

先决条件

• 本教程的第三部分假设你已完成第一部分的必备条件，并完成了第二部分中的步骤 。

定义群集数

若要对客户数据进行聚类分析，需要使用 K-Means 聚类分析算法，这是最简单、最常见的数据分组方法之一。 有关 K-Means 的详细信息，请参阅 K-means 聚类分析算法的完整指南。

该算法接受两个输入：数据本身，以及代表要生成的群集数的预定义数字“k”。 输出是 K 个群集，输入数据在群集之间进行分区。

K-Means 的目标是将项目分组为 K 个群集，以使同一群集中的所有项目彼此相似，并且与其他群集中的项目尽可能不同。

要确定要使用的算法的群集数，请使用组内平方和的图，并按提取的群集数进行绘制。 要使用的适当群集数是在曲线的折弯处或“肘形”处。

################################################################################################
## Determine number of clusters using the Elbow method
################################################################################################

cdata = customer_data
K = range(1, 20)
KM = (sk_cluster.KMeans(n_clusters=k).fit(cdata) for k in K)
centroids = (k.cluster_centers_ for k in KM)

D_k = (sci_distance.cdist(cdata, cent, 'euclidean') for cent in centroids)
dist = (np.min(D, axis=1) for D in D_k)
avgWithinSS = [sum(d) / cdata.shape[0] for d in dist]
plt.plot(K, avgWithinSS, 'b*-')
plt.grid(True)
plt.xlabel('Number of clusters')
plt.ylabel('Average within-cluster sum of squares')
plt.title('Elbow for KMeans clustering')
plt.show()

根据该图，看起来 k = 4 将是一个不错的尝试值。 该 ķ 值将客户分组为四个群集。

执行聚类分析

在以下 Python 脚本中，将使用 sklearn 包中的 KMeans 函数。

################################################################################################
## Perform clustering using Kmeans
################################################################################################

# It looks like k=4 is a good number to use based on the elbow graph.
n_clusters = 4

means_cluster = sk_cluster.KMeans(n_clusters=n_clusters, random_state=111)
columns = ["orderRatio", "itemsRatio", "monetaryRatio", "frequency"]
est = means_cluster.fit(customer_data[columns])
clusters = est.labels_
customer_data['cluster'] = clusters

# Print some data about the clusters:

# For each cluster, count the members.
for c in range(n_clusters):
    cluster_members=customer_data[customer_data['cluster'] == c][:]
    print('Cluster{}(n={}):'.format(c, len(cluster_members)))
    print('-'* 17)
print(customer_data.groupby(['cluster']).mean())

分析结果

使用 K-Means 进行聚类分析后，接下来就是分析结果，了解是否可以找到任何可操作的信息。

查看从上一个脚本打印的群集平均值和群集大小。

Cluster0(n=31675):
-------------------
Cluster1(n=4989):
-------------------
Cluster2(n=1):
-------------------
Cluster3(n=671):
-------------------

         customer  orderRatio  itemsRatio  monetaryRatio  frequency
cluster
0        50854.809882    0.000000    0.000000       0.000000   0.000000
1        51332.535779    0.721604    0.453365       0.307721   1.097815
2        57044.000000    1.000000    2.000000     108.719154   1.000000
3        48516.023845    0.136277    0.078346       0.044497   4.271237

使用第一部分中定义的变量给出四种群集平均值：

• orderRatio = 退单率（部分或全部退货的订单总数与订单总数的比率）
• itemsRatio = 退货率（退货总数与购买商品数量的比率）
• monetaryRatio = 退款率（退货的总货币金额与购买总金额的比率）
• frequency = 退货频率

使用 K-Means 进行数据挖掘通常需要对结果进行进一步的分析，并采取进一步的步骤以更好地理解每个群集，但是它可以提供一些优秀的潜在顾客。 下面通过以下几种方法来解释这些结果：

• 群集 0 似乎是一组不活动的客户（所有值均为零）。
• 群集 3 似乎是一个在返回行为方面出现的组。

群集 0 显然是一组不活跃的客户。 也许你可以针对该群体进行营销活动，以激发购买兴趣。 在下一步中，你将在数据库中查询群集 0 中客户的电子邮件地址，以便向他们发送市场营销电子邮件。

清理资源

如果不打算继续学习本教程，请删除 tpcxbb_1gb 数据库。

后续步骤

在本系列教程的第三部分中，你已完成以下步骤：

• 定义 K-Means 算法的群集数
• 执行聚类分析
• 分析结果

若要部署已创建的机器学习模型，请按照本系列教程的第四部分进行操作：

Python 教程：部署聚类分析模型