使用 Python 进行客户流失预测

Python 是用于金融数据分析的最常用编程语言之一，具有大量有用的库和内置功能。在本文中，您将了解如何使用 Python 的机器学习库进行客户流失预测。

客户流失 是一个财务术语，指客户或顾客的流失——即客户停止与公司或企业互动。同样， 流失率 是客户或顾客在特定时间段内离开公司的比率。高于某个阈值的流失率会对公司的业务成功产生有形和无形的影响。理想情况下，公司希望留住尽可能多的客户。

随着先进的数据科学和机器学习技术的出现，公司现在可以识别可能在不久的将来停止与其开展业务的潜在客户。在本文中，您将了解银行如何根据年龄、性别、地理位置等不同客户属性预测客户流失。用于客户流失预测的功能的详细信息将在后面的部分中提供。

概述：使用 Python 进行客户流失预测

Python 附带各种数据科学和机器学习库，可用于根据数据集的不同特征或属性进行预测。Python 的 scikit-learn 库就是这样一种工具。在本文中，我们将使用此库进行客户流失预测。

数据集：银行客户流失模型

您可以从此 kaggle 链接 。请务必将 CSV 保存到您的硬盘上。

仔细观察，我们发现数据集包含 14 列（也称为 特征 或 变量 ）。前 13 列是独立变量，最后一列是因变量，包含二进制值 1 或 0。其中，1 表示客户在 6 个月后离开银行的情况，0 表示客户在 6 个月后没有离开银行的情况。这被称为二元 分类问题 ，其中因变量只有两个可能的值 — 在这种情况下，客户要么在 6 个月后离开银行，要么不离开。

值得一提的是，独立变量的数据是在因变量的数据收集之前 6 个月收集的，因为任务是开发一个机器学习模型，该模型可以根据当前的特征值预测客户是否会在 6 个月后离开银行。

您可以使用 机器学习 分类算法来解决这个问题。

Note: All the code in this article is executed using Spyder IDE for Python .

以下是我们将在本文中采取的步骤的概述：

1. 导入库
2. 加载数据集
3. 选择相关特征
4. 将分类列转换为数字列
5. 预处理数据
6. 训练机器学习算法
7. 评估机器学习算法
8. 评估数据集特征

好啦，开始吧！

步骤 1：导入库

与往常一样，第一步是导入所需的库。执行以下代码即可完成此操作：

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

第 2 步：加载数据集

第二步是将本地 CSV 文件中的数据集加载到你的 Python 程序中。我们使用 read_csv 的方法 pandas 。执行以下代码：

customer_data = pd.read_csv(r'E:/Datasets/Churn_Modelling.csv')

如果您 customer_data 在 Spyder 的变量资源管理器窗格中打开数据框，您应该会看到如下所示的列：

步骤3：特征选择

提醒一下，我们的数据集共有 14 列（见上图）。您可以通过执行以下代码来验证这一点：

columns = customer_data.columns.values.tolist()
print(columns)

在输出中，您应该看到以下列表：

['RowNumber', 'CustomerId', 'Surname', 'CreditScore', 'Geography', 'Gender', 'Age', 'Tenure', 'Balance', 'NumOfProducts', 'HasCrCard', 'IsActiveMember', 'EstimatedSalary', 'Exited']

并非所有列都会影响客户流失。让我们逐一讨论每一列：

1. RowNumber — 对应于记录（行）号，对输出没有影响。此列将被删除。
2. CustomerId — 包含随机值，对客户离开银行没有影响。此列将被删除。
3. Surname — 客户的姓氏不会影响他们离开银行的决定。此列将被删除。
4. CreditScore — 会对客户流失产生影响，因为信用评分较高的客户离开银行的可能性较小。
5. Geography — 客户的位置会影响他们离开银行的决定。我们将保留此专栏。
6. Gender — 探究性别是否影响客户离开银行是一件很有趣的事情。我们也会包含这个专栏。
7. Age ——这当然是相关的，因为老年客户离开银行的可能性比年轻客户更小。
8. Tenure — 指客户成为银行客户的年数。通常，年长的客户更忠诚，并且不太可能离开银行。
9. Balance — 也是一个非常好的客户流失指标，因为与账户余额较低的人相比，账户余额较高的人离开银行的可能性较小。
10. NumOfProducts —指客户通过银行购买的产品数量。
11. HasCrCard — 表示客户是否拥有信用卡。此列也很重要，因为拥有信用卡的人不太可能离开银行。
12. IsActiveMember —活跃客户离开银行的可能性较小，因此我们会保留这一点。
13. EstimatedSalary — 与余额一样，与高薪人士相比，低薪人士更有可能离开银行。
14. Exited — 客户是否离开银行。这就是我们要预测的。

仔细观察这些特征后，我们将从特征集中删除 RowNumber , CustomerId 、和 Surname 列。所有剩余的列都会以某种方式导致客户流失。

要删除这三列，请执行以下代码：

dataset = customer_data.drop(['RowNumber', 'CustomerId', 'Surname'], axis=1)

请注意，我们已将过滤后的数据存储在名为 的新数据框中 dataset 。该 customer_data 数据框仍包含所有列。我们稍后会重复使用它。

步骤 4：将分类列转换为数字列

机器学习 算法最适合处理数值数据 。但是，在我们的数据集中，我们有两个分类列： Geography 和 Gender 。这两列包含文本格式的数据；我们需要将它们转换为数字列。

首先，让我们从数据集中分离出这两列。执行以下代码即可完成此操作：

dataset =  dataset.drop(['Geography', 'Gender'], axis=1)

将分类列转换为数字列的一种方法是将每个类别替换为数字。例如，在列中 Gender ，女性可以替换为 0，男性可以替换为 1，反之亦然。这适用于只有两个类别的列。

对于像地理这样的具有三个或更多类别的列，您可以使用值 0、1 和 2 来表示法国、德国和西班牙三个国家。但是，如果您这样做，机器学习算法将假设这三个国家之间存在 序数关系 。换句话说，算法将假设 2 大于 1 和 0，但就数字所代表的基础国家而言，情况实际上并非如此。

将此类分类列转换为数字列的更好方法是使用 独热编码 。在此过程中，我们采用类别（法国、德国、西班牙）并用列表示它们。在每一列中，我们使用 1 来表示当前行存在该类别，否则使用 0。

在这种情况下，有了法国、德国和西班牙这三个类别，我们可以只用两列（例如德国和西班牙）来表示分类数据。为什么？因为，如果对于给定的行，我们的地理区域是法国，那么德国和西班牙列都将为 0，这意味着该国必须是其余未由任何列表示的国家。请注意，我们实际上不需要为法国单独列一列。

我们将“地理”和“性别”列都转换为数字列。执行以下脚本：

Geography = pd.get_dummies(customer_data.Geography).iloc[:,1:]
Gender = pd.get_dummies(customer_data.Gender).iloc[:,1:]

将 get_dummies 的方法 pandas 分类列转换为数字列。然后， .iloc[:,1:] 忽略第一列并返回其余列（德国和西班牙）。如上所述，这是因为我们总是可以用“n - 1”列表示“n”个类别。

现在如果你在变量资源管理器窗格中打开 Geography 和 customer_data 数据框，你应该看到如下内容：

根据我们之前的解释， Geography 数据框包含两列而不是三列。当地理位置为法国时， Germany 和 Spain 包含 0。当地理位置为西班牙时，您可以在列中看到 1 Spain ，在列中看到 0。 Germany 同样，在 的情况下 Germany ，您可以在列中看到 1 Germany ，在列中看到 0 Spain 。

接下来，我们需要将 Geography 和 Gender 数据框添加回数据集以创建最终数据集。您可以使用 concat 中的函数 pandas 水平连接两个数据框，如下所示：

dataset = pd.concat([dataset,Geography,Gender], axis=1)

步骤5：数据预处理

我们的数据现在已经准备好了，我们可以训练我们的机器学习模型了。但首先，我们需要从数据集中分离出我们要预测的变量。

X =  dataset.drop(['Exited'], axis=1)
y = dataset['Exited']

这里，X 是我们的特征集；它包含除我们必须预测的列（ Exited ）之外的所有列。标签集 y 仅包含 Exited 列。

因此我们稍后可以评估机器学习模型的性能，我们还将数据分为训练集和测试集。训练集包含将用于训练机器学习模型的数据。测试集将用于评估模型的好坏。我们将使用 20% 的数据作为测试集，其余 80% 作为训练集（使用参数指定 test_size ）：

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2, random_state = 0)

第 6 步：机器学习算法训练

现在，我们将使用机器学习算法来识别训练数据中的模式或趋势。此步骤称为 算法训练 。我们将特征和正确的输出输入到算法中；基于该数据，算法将学会找到特征和输出之间的关联。训练算法后，您将能够使用它对新数据进行预测。

有几种机器学习算法可用于进行此类预测。不过，我们将使用 随机森林算法 是分类问题 最强大的算法之一 .

为了训练该算法，我们调用该 fit 方法并传入特征集 (X) 和相应的标签集 (y)。然后，您可以使用预测方法对测试集进行预测。查看以下脚本：

from sklearn.ensemble import RandomForestClassifier
classifier = RandomForestClassifier(n_estimators=200, random_state=0)  
classifier.fit(X_train, y_train)  
predictions = classifier.predict(X_test)

步骤7：机器学习算法评估

现在算法已经训练完毕，是时候看看它的表现了。为了评估分类算法的性能，最常用的指标是 F1 度量、精度、召回率和准确率 。在 Python 的 scikit-learn 库中，您可以使用内置函数来查找所有这些值。执行以下脚本：

from sklearn.metrics import classification_report, accuracy_score
print(classification_report(y_test,predictions ))  
print(accuracy_score(y_test, predictions ))

输出如下所示：

  precision    recall  f1-score   support

          0       0.89      0.95      0.92      1595
          1       0.73      0.51      0.60       405

avg / total       0.85      0.86      0.85      2000

0.8635

结果表明准确率为 86.35% ，这意味着我们的算法成功预测客户流失的概率为 86.35%。对于首次尝试来说，这已经相当令人印象深刻了！

步骤 8：特征评估

最后一步，让我们看看哪些特征在识别客户流失方面发挥了最重要的作用。幸运的是， RandomForestClassifier 包含一个名为的属性 feature_importance ，其中包含有关给定分类的最重要特征的信息。

以下代码创建了预测客户流失的十大特征的条形图：

feat_importances = pd.Series(classifier.feature_importances_, index=X.columns)
feat_importances.nlargest(10).plot(kind='barh')

输出如下：

根据这些数据，我们可以看到，年龄对客户流失的影响最大，其次是客户的预计工资和账户余额。

结论

客户流失预测对于公司的长期财务稳定至关重要。在本文中，您成功创建了一个机器学习模型，该模型能够以 86.35% 的准确率预测客户流失。您可以看到为分类任务创建机器学习模型是多么简单和直接。

有兴趣探索 Python 在财务数据分析方面的其他应用吗？参加我们的 Python Basics 课程，获得更多实践经验。