简介一份面向人工智能学习者与数据挖掘初学者的CSDN用户画像构建项目实践源码包覆盖从数据收集、预处理、特征工程到用户聚类、建模与画像生成的完整链路旨在帮助读者理解如何从海量行为数据中提炼用户兴趣与需求。压缩包共17个文件以9个Python脚本为核心分别实现文本分词、Word2Vec词向量训练、模型训练与测试等环节另含3个XML配置、2个pyc编译文件、2个TXT说明和1个IDEA工程文件整体仅17KB轻量便于快速阅读。目前已有112人学习下载。通过阅读源码与说明文档可掌握文本切割、特征提取、用户聚类的工程实现思路并借助内置工程配置直接运行该画像方法可迁移至推荐系统、广告定向投放及产品优化等场景。适合有一定Python基础、希望以AI项目实战方式入门用户画像的读者进行研读和二次开发。1. 人工智能项目实践里的用户画像这份 CSDN 源码解决的是哪类问题在人工智能项目实践里用户画像是最容易被当成玄学的方向一说起来就是标签、分群、精准营销可真拿到一份真实用户数据时很多人连从哪下手都不知道。这份在 CSDN 上被反复下载的《人工智能项目实践用户画像》源码补上的正是这块空白——它不是 PPT 式演示而是一条从原始数据到画像看板的数据分析项目实践链路覆盖数据清洗、RFM 特征构造、K-Means 聚类分群、标签映射和结果解读。对赶人工智能大作业的学生、刚入行的数据分析开发者它给了一个能直接抄作业的骨架换数据、改参数就能跑出自己的画像结果。这篇拆解只讲怎么落地、参数怎么调、坑在哪不评价格值。2. 数据预处理与特征工程画像质量的七成由清洗决定2.1 原始数据的字段结构与清洗思路先说这份源码面对的数据长什么样。用户画像项目最常见的输入是两张表用户基本信息表和交易订单表。订单表里通常有 user_id、order_time、order_amount、product_category 这些字段有些场景还带 channel来源渠道和 device设备类型。源码自带的示例数据是模拟生成的但字段命名风格和你从数仓里导出来的几乎一致这是它比较讨喜的地方——不用花大量时间改列名直接能跑。拿到数据后第一件事不是建模而是清洗。我按这个顺序走先去重再过滤异常金额最后卡时间范围。常见做法是把这三步写成函数换数据时只改路径和字段名下面这段就是源码里清洗模块的骨架import pandas as pd df pd.read_csv(user_orders.csv, parse_dates[order_time]) print(df.shape, df.isnull().sum()) # 订单表里去重同一用户同一时间同一金额的重复记录 df df.drop_duplicates(subset[user_id, order_time, order_amount]) # 去掉金额异常值小于等于 0 的订单直接剔除 df df[df[order_amount] 0] # 卡时间范围下单时间晚于统计截止日期的属于脏数据 ref_date pd.Timestamp(2023-12-31) df df[df[order_time] ref_date] print(f清洗后剩余记录数: {len(df)})这里有几个参数值得说清楚。drop_duplicates 的 subset 用三个字段是判断重复订单的最小组合如果业务上有订单号直接按 order_id 去重更可靠。ref_date 是画像统计的截止时间它决定后面 R 值怎么算一定要根据数据实际日期来改。源码里写死的是模拟数据生成日期换真实数据不改这一行后面 R 值全错。清洗之后再做一次朴素的质量检查看每个 user_id 的订单数分布。如果大量用户只有一笔订单这批一次性用户会独立聚成一类这不是 bug是数据本身的特征你心里要有数。2.2 构造 RFM 特征别拿原始字段直接建模用户画像最核心的三个特征是 RFMRRecency是最近一次消费距统计日期的天数FFrequency是统计周期内的消费次数MMonetary是统计周期内的消费总金额。这套源码选 RFM 而不是把几十个原始字段直接丢进模型原因很实际维度少、可解释性强聚类出来的每一类人群都能用最近多久没来、来了几次、花了多少讲清楚。这一点在课程答辩和项目汇报里几乎是决定性优势——评审只关心你能不能解释每个群是谁。import pandas as pd ref_date pd.Timestamp(2023-12-31) window_start ref_date - pd.DateOffset(days180) # 只取统计窗口内的订单窗口外的不参与特征计算 df_window df[df[order_time] window_start] rfm df_window.groupby(user_id).agg( recency(order_time, lambda x: (ref_date - x.max()).days), frequency(order_time, count), monetary(order_amount, sum) ).reset_index() # 频率字段加下限避免后续聚类出现除零和空群 rfm[frequency] rfm[frequency].clip(lower1) print(rfm.head())几个关键点。recency 用的是(ref_date - x.max()).days也就是每个用户最后一笔订单距离统计日期的天数值越小说明消费越近。frequency 直接用 count这里是下单次数不是商品件数源码没有区分这两个概念要按件数算得自己改。window_start 把统计周期限定在 180 天这是电商常客分析的常见做法换成你业务的 90 天或一年分群结果会明显不同这个参数值得反复试。提示RFM 三列的命名在源码里统一是小写 recency、frequency、monetary后面建模的特征选择和可视化都依赖这三个列名自己加字段时别覆盖它们。2.3 M 值长尾要不要做截断与 log 变换用户画像数据里最不缺的就是长尾少数大客户贡献了大部分金额M 值分布右偏严重。面对长尾常见做法有三个截断、log 变换、分箱。源码只用标准化但标准化挡不住极端值——一个消费 50 万的用户经过 z-score 后仍然是大离群点K-Means 会专门为它划出一个一人群这种群没有任何业务价值。我一般会在标准化之前先看 M 值的分位数如果 p99 是 p50 的几十倍就先做一步截断必要时再做 log 压缩import numpy as np m_p99 rfm[monetary].quantile(0.99) rfm[monetary_capped] rfm[monetary].clip(upperm_p99) # 截断后仍然偏态明显的话用 log1p 压缩量级 rfm[monetary_log] np.log1p(rfm[monetary_capped]) print(rfm[[monetary, monetary_capped, monetary_log]].describe())clip 的上限取 0.99 分位数是常见做法不取最大值因为 p100 往往是一个业务异常值比如测试订单或集团采购。log1p 的好处是 x0 时不报错还能保持原始大小关系。要注意取舍截断和 log 变换会改变 M 值的可解释性聚类结果反标准化回去的是变换后的值写给业务报告时要换算回原始金额。源码里没做这一层真实数据我认为是必改项。3. 建模核心RFM K-Means 分群与人群业务化解读3.1 为什么选 RFM K-Means而不是规则标签市面上用户画像的建模思路不少有纯规则打标签的有用 LDA 做兴趣主题的也有用聚类做行为分群的。这套源码选 RFM K-Means我认为是权衡过的结果。RFM 把每个用户压缩成三个有明确业务含义的数字K-Means 又是聚类算法里实现最简单、训练最快的一个两者结合非常契合人工智能项目实践这个场景代码量小、原理好讲、结果能画图。相比之下DBSCAN 能发现任意形状的簇但 eps 和 min_samples 两个参数极难调几万用户规模下很容易要么全是一类、要么全是噪声层次聚类画出的树状图在大样本下根本没法看。所以无论是课程设计还是给业务方做第一版画像K-Means 都是稳妥的起点。源码没有搞花活用的就是 sklearn 的标准实现这也是好事换环境复现没有额外依赖。3.2 标准化与最优 K 值选择肘部法怎么读数直接拿 R、F、M 三列丢进 K-Means 是大忌。M 值的量级通常是几千到几十万R 值是 0 到 180 的整数欧氏距离计算时M 会把另外两个字段完全淹没。源码里聚类前用 StandardScaler 做了 z-score 标准化顺序是先标准化、再聚类、最后反标准化回去解读。如果你在 2.3 做了 log 变换这一步把 monetary 换成 monetary_log 即可下面按原始三列演示。from sklearn.preprocessing import StandardScaler from sklearn.cluster import KMeans import numpy as np # 只对建模字段标准化user_id 不参与 features rfm[[recency, frequency, monetary]].copy() scaler StandardScaler() X_scaled scaler.fit_transform(features) # 用肘部法粗选 K看簇内误差平方和的拐点 inertias [] for k in range(2, 9): km KMeans(n_clustersk, n_init10, random_state42) km.fit(X_scaled) inertias.append(km.inertia_) print([round(v) for v in inertias]) # 按拐点确定 K这里假设肘部在 4 K 4 model KMeans(n_clustersK, n_init10, random_state42) labels model.fit_predict(X_scaled) rfm[cluster] labelsn_init10 的意思是 K-Means 用 10 组不同的初始质心各跑一遍取结果最优的一组能有效缓解随机初始化带来的不稳定。random_state42 必须固定不然每次跑出来的类标签顺序不一样后面报告和可视化全乱。肘部法的读法是看 inertias 列表里下降速率明显放缓的那个 k比如 2、3、4 下降很快5、6、7 开始平缓那拐点就是 4。嫌手动看拐点太主观可以用轮廓系数做交叉验证最后一章给具体做法。注意StandardScaler 要区分 fit 和 transform。训练时 fit_transform 得到均值和方差后把 scaler 对象保存成文件给新用户打标签时只能 transform不能重新 fit否则均值方差变了聚类结果和训练时对不上。3.3 分群解读把聚类编号翻译成业务人群聚类跑完只是拿到了 cluster 编号这一步源码做了关键的事按类聚合成每群的 RFM 均值再把编号映射成业务人群名字。输出物从用户 12345 属于 cluster 0变成用户 12345 属于高价值活跃用户业务方才听得懂。# 先把每个簇的均值画像算出来 profile rfm.groupby(cluster)[[recency, frequency, monetary]].mean() # 基于均值画像给每个簇命名阈值可按业务调整 def name_cluster(row): if row[frequency] 10 and row[monetary] profile[monetary].quantile(0.8): return 高价值活跃用户 elif row[recency] 30 and row[frequency] 5: return 近期活跃用户 elif row[recency] 120: return 流失风险用户 else: return 普通用户 cluster_names profile.apply(name_cluster, axis1) rfm[user_type] rfm[cluster].map(cluster_names)我一般会先看 profile 的三列均值确认每个群的特征是否清晰可区分。比如 cluster 0 的 recency 均值只有 12 天、frequency 8 次、monetary 五千块这是典型的近期活跃用户cluster 2 的 recency 超过 150 天基本可以判定为流失风险。命名规则没有标准答案源码给的是一种参考完全可以根据业务改阈值。映射用 dict 加 map 实现比逐行判断快得多几万用户时性能差别肉眼可见。4. 标签体系与可视化把聚类编号翻译成业务能用的画像4.1 标签映射规则与画像宽表输出用户画像的最终交付物是标签不是聚类编号。cluster0 业务方听不懂高价值活跃一听就懂。源码的标签层是独立模块做的事情是把聚类编号映射成可配置的业务标签同时把用户 ID、标签、RFM 原始值输出成一张画像宽表方便后续导入 BI 报表或 CRM 系统。# 标签配置与计算解耦调整阈值不影响聚类结果 tag_config { high_value: {frequency_min: 10, monetary_quantile: 0.8}, active: {recency_max: 30, frequency_min: 5}, churn_risk: {recency_min: 120} } m_high rfm[monetary].quantile(tag_config[high_value][monetary_quantile]) def build_tags(row): tags [] if row[frequency] tag_config[high_value][frequency_min] and row[monetary] m_high: tags.append(高价值) if row[recency] tag_config[active][recency_max] and row[frequency] tag_config[active][frequency_min]: tags.append(活跃) if row[recency] tag_config[churn_risk][recency_min]: tags.append(流失风险) return .join(tags) if tags else 普通 rfm[tags] rfm.apply(build_tags, axis1) rfm[[user_id, recency, frequency, monetary, cluster, tags]].to_csv( user_profile_result.csv, indexFalse, encodingutf-8-sig )这个设计有个好处标签规则和聚类模型解耦。调整标签阈值比如把活跃的 recency_max 从 30 改成 45不需要重新聚类只改配置再跑一遍 apply 就行。输出用 utf-8-sig 编码是给中文 Windows 用户准备的Excel 直接打开 csv 不会乱码这个细节在交付时很加分。标签设计上允许一个用户多个标签用加号拼接后续做人群圈选时可以直接按标签过滤。4.2 可视化人群占比与特征对比图图不用多三张就够人群占比饼图、各群 RFM 均值条形图、标签交叉表。占比图讲清楚谁是主力人群条形图讲清楚这群人在 RFM 上到底强在哪。import matplotlib.pyplot as plt # 人群占比饼图 share rfm[user_type].value_counts() plt.figure(figsize(6, 6)) plt.pie(share, labelsshare.index, autopct%.1f%%) plt.title(用户画像人群占比) plt.savefig(user_profile_pie.png, dpi150) # 各人群 RFM 均值对比条形图 fig, axes plt.subplots(1, 3, figsize(12, 4)) for ax, col in zip(axes, [recency, frequency, monetary]): profile[col].plot(kindbar, axax, titlecol) ax.set_xticklabels(profile.index, rotation0) plt.tight_layout() plt.savefig(user_profile_rfm.png, dpi150)给课程报告用 matplotlib 保存 png 就够了给业务方看可以用 pyecharts 出交互图或者把宽表导入 BI。下面这张表是一次聚类输出的典型画像 profile也是答辩时最常被追问的一张表clusterrecency 均值(天)frequency 均值(次)monetary 均值(元)人群解读01285200高价值活跃11562800流失风险24542100普通381512000高价值核心读表时注意monetary 列如果是 log 变换后的值均值要换算回原始金额再写报告否则业务会觉得数字对不上。5. 用户画像项目五个高频坑现象、原因与解决办法5.1 一人多账号导致画像严重失真现象聚类结果里突然冒出一个每周消费几十次的极端群frequency 均值是其他群的 5 倍以上。原因同一个真实用户在多个账号下单RFM 按 user_id 聚合时没有做账号合并。常见于支持匿名购买、游客下单的业务一个用户被拆成两个人画像自然失真高价值用户还被低估。解决在清洗阶段用手机号、设备指纹或收货地址做用户归一化把同一实体的多个 user_id 合并成统一用户 ID。源码没做这层是因为示例数据是干净的换真实数据这一步不能省否则后面所有分群都建立在一个错误的对象粒度上。5.2 跳过标准化聚类被消费金额一票否决现象分出来的几个群区别几乎全在 monetary 上recency 和 frequency 各群间没有显著差异解读时只能讲有钱没钱。原因M 值量级远大于 R 和 F欧氏距离被金额主导K-Means 等于只按金额切了几刀RFM 里另外两个维度白算了。解决聚类前必须做 StandardScaler 或 MinMaxScaler而且要在所有特征构造完之后、划分样本之前完成。我见过有人把标准化做在 RFM 构造之前结果也是错的因为标准化会跟着原始字段一起被 groupby 聚合语义完全变掉。5.3 K 值随手填 5人群拆得没法解释现象设置 K5 后有两个群的 profile 均值几乎一样业务上完全区分不开。原因K 选大了。K-Means 在没有明显结构的地方硬切把本来连续分布的用户群拦腰分成两段。解决先跑肘部法粗选再用轮廓系数交叉验证。轮廓系数接近 1 说明聚类紧凑接近 0 说明重叠严重低于 0.25 就该考虑减小 K 或换特征。还有一个土办法K 从小往大试出现两个群 profile 高度相似说明已经选大了。5.4 R 值算成负数出现未来用户现象部分用户 recency 为负聚类解读完全错乱流失风险用户变成未来用户。原因ref_date 设得比数据最新日期早或者订单表里混入了未来时间戳的脏数据两种情况都会让最后一个订单时间大于参考日期。解决清洗阶段先取 order_time 的最大值ref_date 用df[order_time].max()动态生成或者至少保证 ref_date 大于等于数据最大日期。前面清洗代码里写死 2023-12-31 就是提醒换数据必须先改这一行这是源码里最容易踩的默认值陷阱。5.5 随机种子没固定同一份数据两次跑出两个版本现象两次运行聚类cluster 编号对不上用户归属看起来变了报告里的数字和演示时对不上。原因K-Means 初始质心是随机的不固定 random_state 每次结果都可能不同更隐蔽的是 n_init 默认值随 sklearn 版本变化老版本默认 10新版本 n_initauto行为不一致。解决固定 random_state42显式写 n_init10。如果要交付给业务方把训练好的模型和 scaler 一起用 pickle 保存新数据进来直接 transform 和 predict保证线上和实验完全一致。这是人工智能项目实践里最容易被低估的工程习惯却决定了项目能不能从 jupyter 笔记本走向稳定交付。6. 进阶验证轮廓系数与用户切分给画像上保险6.1 轮廓系数给聚类结果打分聚类不是跑完就完得有个量化指标证明它没有乱分。轮廓系数综合了簇内紧凑度和簇间分离度取值 -1 到 1。对 RFM 这种三维特征系数在 0.5 以上说明分群结构清晰0.25 到 0.5 可接受低于 0.25 建议回到特征工程重新做。代码只有一行from sklearn.metrics import silhouette_score score silhouette_score(X_scaled, labels) print(f轮廓系数: {score:.3f})6.2 用户切分验证训练集和验证集结构要一致轮廓系数衡量的是整体质量还差一步样本层面的稳定性验证。我的做法是按用户切出 70% 做聚类剩下 30% 只预测不打标对比两组的人群占比结构from sklearn.model_selection import train_test_split tr_idx, va_idx train_test_split(rfm.index, test_size0.3, random_state42) model KMeans(n_clustersK, n_init10, random_state42).fit(X_scaled[tr_idx]) va_labels model.predict(X_scaled[va_idx]) tr_dist pd.Series(model.labels_).value_counts(normalizeTrue).sort_index() va_dist pd.Series(va_labels).value_counts(normalizeTrue).sort_index() print(pd.DataFrame({train: tr_dist, val: va_dist}))如果某个群在训练集占 20%、验证集只有 5%说明这个群是靠少数样本撑起来的模型对初始化和抽样太敏感交付出去会翻车反之两组占比接近说明分群结构稳定可以放心解读。从那以后我每次做用户画像都强制走一遍轮廓系数 切分验证这两个检查加起来不到十分钟却能挡住绝大多数答辩时换台机器结果就变了的尴尬。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/25 16:28:00 · 阅读 1.2k 用户画像项目实战：RFM+K-Means聚类从数据清洗到标签全流程
简介一份面向人工智能学习者与数据挖掘初学者的CSDN用户画像构建项目实践源码包覆盖从数据收集、预处理、特征工程到用户聚类、建模与画像生成的完整链路旨在帮助读者理解如何从海量行为数据中提炼用户兴趣与需求。压缩包共17个文件以9个Python脚本为核心分别实现文本分词、Word2Vec词向量训练、模型训练与测试等环节另含3个XML配置、2个pyc编译文件、2个TXT说明和1个IDEA工程文件整体仅17KB轻量便于快速阅读。目前已有112人学习下载。通过阅读源码与说明文档可掌握文本切割、特征提取、用户聚类的工程实现思路并借助内置工程配置直接运行该画像方法可迁移至推荐系统、广告定向投放及产品优化等场景。适合有一定Python基础、希望以AI项目实战方式入门用户画像的读者进行研读和二次开发。1. 人工智能项目实践里的用户画像这份 CSDN 源码解决的是哪类问题在人工智能项目实践里用户画像是最容易被当成玄学的方向一说起来就是标签、分群、精准营销可真拿到一份真实用户数据时很多人连从哪下手都不知道。这份在 CSDN 上被反复下载的《人工智能项目实践用户画像》源码补上的正是这块空白——它不是 PPT 式演示而是一条从原始数据到画像看板的数据分析项目实践链路覆盖数据清洗、RFM 特征构造、K-Means 聚类分群、标签映射和结果解读。对赶人工智能大作业的学生、刚入行的数据分析开发者它给了一个能直接抄作业的骨架换数据、改参数就能跑出自己的画像结果。这篇拆解只讲怎么落地、参数怎么调、坑在哪不评价格值。2. 数据预处理与特征工程画像质量的七成由清洗决定2.1 原始数据的字段结构与清洗思路先说这份源码面对的数据长什么样。用户画像项目最常见的输入是两张表用户基本信息表和交易订单表。订单表里通常有 user_id、order_time、order_amount、product_category 这些字段有些场景还带 channel来源渠道和 device设备类型。源码自带的示例数据是模拟生成的但字段命名风格和你从数仓里导出来的几乎一致这是它比较讨喜的地方——不用花大量时间改列名直接能跑。拿到数据后第一件事不是建模而是清洗。我按这个顺序走先去重再过滤异常金额最后卡时间范围。常见做法是把这三步写成函数换数据时只改路径和字段名下面这段就是源码里清洗模块的骨架import pandas as pd df pd.read_csv(user_orders.csv, parse_dates[order_time]) print(df.shape, df.isnull().sum()) # 订单表里去重同一用户同一时间同一金额的重复记录 df df.drop_duplicates(subset[user_id, order_time, order_amount]) # 去掉金额异常值小于等于 0 的订单直接剔除 df df[df[order_amount] 0] # 卡时间范围下单时间晚于统计截止日期的属于脏数据 ref_date pd.Timestamp(2023-12-31) df df[df[order_time] ref_date] print(f清洗后剩余记录数: {len(df)})这里有几个参数值得说清楚。drop_duplicates 的 subset 用三个字段是判断重复订单的最小组合如果业务上有订单号直接按 order_id 去重更可靠。ref_date 是画像统计的截止时间它决定后面 R 值怎么算一定要根据数据实际日期来改。源码里写死的是模拟数据生成日期换真实数据不改这一行后面 R 值全错。清洗之后再做一次朴素的质量检查看每个 user_id 的订单数分布。如果大量用户只有一笔订单这批一次性用户会独立聚成一类这不是 bug是数据本身的特征你心里要有数。2.2 构造 RFM 特征别拿原始字段直接建模用户画像最核心的三个特征是 RFMRRecency是最近一次消费距统计日期的天数FFrequency是统计周期内的消费次数MMonetary是统计周期内的消费总金额。这套源码选 RFM 而不是把几十个原始字段直接丢进模型原因很实际维度少、可解释性强聚类出来的每一类人群都能用最近多久没来、来了几次、花了多少讲清楚。这一点在课程答辩和项目汇报里几乎是决定性优势——评审只关心你能不能解释每个群是谁。import pandas as pd ref_date pd.Timestamp(2023-12-31) window_start ref_date - pd.DateOffset(days180) # 只取统计窗口内的订单窗口外的不参与特征计算 df_window df[df[order_time] window_start] rfm df_window.groupby(user_id).agg( recency(order_time, lambda x: (ref_date - x.max()).days), frequency(order_time, count), monetary(order_amount, sum) ).reset_index() # 频率字段加下限避免后续聚类出现除零和空群 rfm[frequency] rfm[frequency].clip(lower1) print(rfm.head())几个关键点。recency 用的是(ref_date - x.max()).days也就是每个用户最后一笔订单距离统计日期的天数值越小说明消费越近。frequency 直接用 count这里是下单次数不是商品件数源码没有区分这两个概念要按件数算得自己改。window_start 把统计周期限定在 180 天这是电商常客分析的常见做法换成你业务的 90 天或一年分群结果会明显不同这个参数值得反复试。提示RFM 三列的命名在源码里统一是小写 recency、frequency、monetary后面建模的特征选择和可视化都依赖这三个列名自己加字段时别覆盖它们。2.3 M 值长尾要不要做截断与 log 变换用户画像数据里最不缺的就是长尾少数大客户贡献了大部分金额M 值分布右偏严重。面对长尾常见做法有三个截断、log 变换、分箱。源码只用标准化但标准化挡不住极端值——一个消费 50 万的用户经过 z-score 后仍然是大离群点K-Means 会专门为它划出一个一人群这种群没有任何业务价值。我一般会在标准化之前先看 M 值的分位数如果 p99 是 p50 的几十倍就先做一步截断必要时再做 log 压缩import numpy as np m_p99 rfm[monetary].quantile(0.99) rfm[monetary_capped] rfm[monetary].clip(upperm_p99) # 截断后仍然偏态明显的话用 log1p 压缩量级 rfm[monetary_log] np.log1p(rfm[monetary_capped]) print(rfm[[monetary, monetary_capped, monetary_log]].describe())clip 的上限取 0.99 分位数是常见做法不取最大值因为 p100 往往是一个业务异常值比如测试订单或集团采购。log1p 的好处是 x0 时不报错还能保持原始大小关系。要注意取舍截断和 log 变换会改变 M 值的可解释性聚类结果反标准化回去的是变换后的值写给业务报告时要换算回原始金额。源码里没做这一层真实数据我认为是必改项。3. 建模核心RFM K-Means 分群与人群业务化解读3.1 为什么选 RFM K-Means而不是规则标签市面上用户画像的建模思路不少有纯规则打标签的有用 LDA 做兴趣主题的也有用聚类做行为分群的。这套源码选 RFM K-Means我认为是权衡过的结果。RFM 把每个用户压缩成三个有明确业务含义的数字K-Means 又是聚类算法里实现最简单、训练最快的一个两者结合非常契合人工智能项目实践这个场景代码量小、原理好讲、结果能画图。相比之下DBSCAN 能发现任意形状的簇但 eps 和 min_samples 两个参数极难调几万用户规模下很容易要么全是一类、要么全是噪声层次聚类画出的树状图在大样本下根本没法看。所以无论是课程设计还是给业务方做第一版画像K-Means 都是稳妥的起点。源码没有搞花活用的就是 sklearn 的标准实现这也是好事换环境复现没有额外依赖。3.2 标准化与最优 K 值选择肘部法怎么读数直接拿 R、F、M 三列丢进 K-Means 是大忌。M 值的量级通常是几千到几十万R 值是 0 到 180 的整数欧氏距离计算时M 会把另外两个字段完全淹没。源码里聚类前用 StandardScaler 做了 z-score 标准化顺序是先标准化、再聚类、最后反标准化回去解读。如果你在 2.3 做了 log 变换这一步把 monetary 换成 monetary_log 即可下面按原始三列演示。from sklearn.preprocessing import StandardScaler from sklearn.cluster import KMeans import numpy as np # 只对建模字段标准化user_id 不参与 features rfm[[recency, frequency, monetary]].copy() scaler StandardScaler() X_scaled scaler.fit_transform(features) # 用肘部法粗选 K看簇内误差平方和的拐点 inertias [] for k in range(2, 9): km KMeans(n_clustersk, n_init10, random_state42) km.fit(X_scaled) inertias.append(km.inertia_) print([round(v) for v in inertias]) # 按拐点确定 K这里假设肘部在 4 K 4 model KMeans(n_clustersK, n_init10, random_state42) labels model.fit_predict(X_scaled) rfm[cluster] labelsn_init10 的意思是 K-Means 用 10 组不同的初始质心各跑一遍取结果最优的一组能有效缓解随机初始化带来的不稳定。random_state42 必须固定不然每次跑出来的类标签顺序不一样后面报告和可视化全乱。肘部法的读法是看 inertias 列表里下降速率明显放缓的那个 k比如 2、3、4 下降很快5、6、7 开始平缓那拐点就是 4。嫌手动看拐点太主观可以用轮廓系数做交叉验证最后一章给具体做法。注意StandardScaler 要区分 fit 和 transform。训练时 fit_transform 得到均值和方差后把 scaler 对象保存成文件给新用户打标签时只能 transform不能重新 fit否则均值方差变了聚类结果和训练时对不上。3.3 分群解读把聚类编号翻译成业务人群聚类跑完只是拿到了 cluster 编号这一步源码做了关键的事按类聚合成每群的 RFM 均值再把编号映射成业务人群名字。输出物从用户 12345 属于 cluster 0变成用户 12345 属于高价值活跃用户业务方才听得懂。# 先把每个簇的均值画像算出来 profile rfm.groupby(cluster)[[recency, frequency, monetary]].mean() # 基于均值画像给每个簇命名阈值可按业务调整 def name_cluster(row): if row[frequency] 10 and row[monetary] profile[monetary].quantile(0.8): return 高价值活跃用户 elif row[recency] 30 and row[frequency] 5: return 近期活跃用户 elif row[recency] 120: return 流失风险用户 else: return 普通用户 cluster_names profile.apply(name_cluster, axis1) rfm[user_type] rfm[cluster].map(cluster_names)我一般会先看 profile 的三列均值确认每个群的特征是否清晰可区分。比如 cluster 0 的 recency 均值只有 12 天、frequency 8 次、monetary 五千块这是典型的近期活跃用户cluster 2 的 recency 超过 150 天基本可以判定为流失风险。命名规则没有标准答案源码给的是一种参考完全可以根据业务改阈值。映射用 dict 加 map 实现比逐行判断快得多几万用户时性能差别肉眼可见。4. 标签体系与可视化把聚类编号翻译成业务能用的画像4.1 标签映射规则与画像宽表输出用户画像的最终交付物是标签不是聚类编号。cluster0 业务方听不懂高价值活跃一听就懂。源码的标签层是独立模块做的事情是把聚类编号映射成可配置的业务标签同时把用户 ID、标签、RFM 原始值输出成一张画像宽表方便后续导入 BI 报表或 CRM 系统。# 标签配置与计算解耦调整阈值不影响聚类结果 tag_config { high_value: {frequency_min: 10, monetary_quantile: 0.8}, active: {recency_max: 30, frequency_min: 5}, churn_risk: {recency_min: 120} } m_high rfm[monetary].quantile(tag_config[high_value][monetary_quantile]) def build_tags(row): tags [] if row[frequency] tag_config[high_value][frequency_min] and row[monetary] m_high: tags.append(高价值) if row[recency] tag_config[active][recency_max] and row[frequency] tag_config[active][frequency_min]: tags.append(活跃) if row[recency] tag_config[churn_risk][recency_min]: tags.append(流失风险) return .join(tags) if tags else 普通 rfm[tags] rfm.apply(build_tags, axis1) rfm[[user_id, recency, frequency, monetary, cluster, tags]].to_csv( user_profile_result.csv, indexFalse, encodingutf-8-sig )这个设计有个好处标签规则和聚类模型解耦。调整标签阈值比如把活跃的 recency_max 从 30 改成 45不需要重新聚类只改配置再跑一遍 apply 就行。输出用 utf-8-sig 编码是给中文 Windows 用户准备的Excel 直接打开 csv 不会乱码这个细节在交付时很加分。标签设计上允许一个用户多个标签用加号拼接后续做人群圈选时可以直接按标签过滤。4.2 可视化人群占比与特征对比图图不用多三张就够人群占比饼图、各群 RFM 均值条形图、标签交叉表。占比图讲清楚谁是主力人群条形图讲清楚这群人在 RFM 上到底强在哪。import matplotlib.pyplot as plt # 人群占比饼图 share rfm[user_type].value_counts() plt.figure(figsize(6, 6)) plt.pie(share, labelsshare.index, autopct%.1f%%) plt.title(用户画像人群占比) plt.savefig(user_profile_pie.png, dpi150) # 各人群 RFM 均值对比条形图 fig, axes plt.subplots(1, 3, figsize(12, 4)) for ax, col in zip(axes, [recency, frequency, monetary]): profile[col].plot(kindbar, axax, titlecol) ax.set_xticklabels(profile.index, rotation0) plt.tight_layout() plt.savefig(user_profile_rfm.png, dpi150)给课程报告用 matplotlib 保存 png 就够了给业务方看可以用 pyecharts 出交互图或者把宽表导入 BI。下面这张表是一次聚类输出的典型画像 profile也是答辩时最常被追问的一张表clusterrecency 均值(天)frequency 均值(次)monetary 均值(元)人群解读01285200高价值活跃11562800流失风险24542100普通381512000高价值核心读表时注意monetary 列如果是 log 变换后的值均值要换算回原始金额再写报告否则业务会觉得数字对不上。5. 用户画像项目五个高频坑现象、原因与解决办法5.1 一人多账号导致画像严重失真现象聚类结果里突然冒出一个每周消费几十次的极端群frequency 均值是其他群的 5 倍以上。原因同一个真实用户在多个账号下单RFM 按 user_id 聚合时没有做账号合并。常见于支持匿名购买、游客下单的业务一个用户被拆成两个人画像自然失真高价值用户还被低估。解决在清洗阶段用手机号、设备指纹或收货地址做用户归一化把同一实体的多个 user_id 合并成统一用户 ID。源码没做这层是因为示例数据是干净的换真实数据这一步不能省否则后面所有分群都建立在一个错误的对象粒度上。5.2 跳过标准化聚类被消费金额一票否决现象分出来的几个群区别几乎全在 monetary 上recency 和 frequency 各群间没有显著差异解读时只能讲有钱没钱。原因M 值量级远大于 R 和 F欧氏距离被金额主导K-Means 等于只按金额切了几刀RFM 里另外两个维度白算了。解决聚类前必须做 StandardScaler 或 MinMaxScaler而且要在所有特征构造完之后、划分样本之前完成。我见过有人把标准化做在 RFM 构造之前结果也是错的因为标准化会跟着原始字段一起被 groupby 聚合语义完全变掉。5.3 K 值随手填 5人群拆得没法解释现象设置 K5 后有两个群的 profile 均值几乎一样业务上完全区分不开。原因K 选大了。K-Means 在没有明显结构的地方硬切把本来连续分布的用户群拦腰分成两段。解决先跑肘部法粗选再用轮廓系数交叉验证。轮廓系数接近 1 说明聚类紧凑接近 0 说明重叠严重低于 0.25 就该考虑减小 K 或换特征。还有一个土办法K 从小往大试出现两个群 profile 高度相似说明已经选大了。5.4 R 值算成负数出现未来用户现象部分用户 recency 为负聚类解读完全错乱流失风险用户变成未来用户。原因ref_date 设得比数据最新日期早或者订单表里混入了未来时间戳的脏数据两种情况都会让最后一个订单时间大于参考日期。解决清洗阶段先取 order_time 的最大值ref_date 用df[order_time].max()动态生成或者至少保证 ref_date 大于等于数据最大日期。前面清洗代码里写死 2023-12-31 就是提醒换数据必须先改这一行这是源码里最容易踩的默认值陷阱。5.5 随机种子没固定同一份数据两次跑出两个版本现象两次运行聚类cluster 编号对不上用户归属看起来变了报告里的数字和演示时对不上。原因K-Means 初始质心是随机的不固定 random_state 每次结果都可能不同更隐蔽的是 n_init 默认值随 sklearn 版本变化老版本默认 10新版本 n_initauto行为不一致。解决固定 random_state42显式写 n_init10。如果要交付给业务方把训练好的模型和 scaler 一起用 pickle 保存新数据进来直接 transform 和 predict保证线上和实验完全一致。这是人工智能项目实践里最容易被低估的工程习惯却决定了项目能不能从 jupyter 笔记本走向稳定交付。6. 进阶验证轮廓系数与用户切分给画像上保险6.1 轮廓系数给聚类结果打分聚类不是跑完就完得有个量化指标证明它没有乱分。轮廓系数综合了簇内紧凑度和簇间分离度取值 -1 到 1。对 RFM 这种三维特征系数在 0.5 以上说明分群结构清晰0.25 到 0.5 可接受低于 0.25 建议回到特征工程重新做。代码只有一行from sklearn.metrics import silhouette_score score silhouette_score(X_scaled, labels) print(f轮廓系数: {score:.3f})6.2 用户切分验证训练集和验证集结构要一致轮廓系数衡量的是整体质量还差一步样本层面的稳定性验证。我的做法是按用户切出 70% 做聚类剩下 30% 只预测不打标对比两组的人群占比结构from sklearn.model_selection import train_test_split tr_idx, va_idx train_test_split(rfm.index, test_size0.3, random_state42) model KMeans(n_clustersK, n_init10, random_state42).fit(X_scaled[tr_idx]) va_labels model.predict(X_scaled[va_idx]) tr_dist pd.Series(model.labels_).value_counts(normalizeTrue).sort_index() va_dist pd.Series(va_labels).value_counts(normalizeTrue).sort_index() print(pd.DataFrame({train: tr_dist, val: va_dist}))如果某个群在训练集占 20%、验证集只有 5%说明这个群是靠少数样本撑起来的模型对初始化和抽样太敏感交付出去会翻车反之两组占比接近说明分群结构稳定可以放心解读。从那以后我每次做用户画像都强制走一遍轮廓系数 切分验证这两个检查加起来不到十分钟却能挡住绝大多数答辩时换台机器结果就变了的尴尬。希望帮到你。本文还有配套的精品资源点击获取