航空公司客户价值聚类分析

要求：利用pandas、sklearn、matplotlib对air_data.csv中的数据进行航空公司客户价值分析。主要包括：

1)利用pandas读取air_data.csv文件中的数据。

2)利用pandas进行数据探索，如利用shape属性，head( )和describe( )函数等。

3)利用pandas进行数据预处理：丢弃票价为空的记录，保留票价非0，或者平均折扣率不为0且总飞行公里数大于0的记录。

4)利用pandas构建LRFMC模型，以2014-03-31为结束时间。其中：L为客户关系长度（会员入会时间距观测窗口结束的月数），R为消费时间间隔（客户最近一次乘坐公司飞机距观测窗口结束的月数），F为消费频率（客户在观测窗口内乘坐公司飞机的次数），M为飞行里程（客户在观测窗口内累计的飞行里程），C为折扣系数的平均值（客户在观测窗口内乘坐舱位所对应的折扣系数的 平均值）。

5)利用sklearn进行数据标准化处理

6)利用sklearn中的KMeans聚类算法，对客户进行分群处理，并找出聚类中心和聚类类别。

7)利用matplotlib绘制雷达图，进行客户群体分析。

1.第一簇人群，4654人，最大的特点就是平均折扣率都是最高的，应该是属于乘坐高等舱的商务人员，应该重点保持的对象，也是需要重点发展的对象，另外应该积极采取相关的优惠政策是他们的乘坐次数增加

2.第二簇人群，5343人，总里程和飞行次数都是最多的，是重点保持对象

3.第三簇人群，24480人，各方面的数据都是比较低的，属于一般或低价值用户

4.第四簇人群，12035人，最大的特点是时间间隔差值最大，分析可能是“季节型客户”，一年中在某个时间段需要多次乘坐飞机进行旅行，其他的时间则出行的不多，这类客户我们需要在保持的前提下，进行一定的发展；

5.第五簇人群，15670人，最大的特点就是入会的时间较长，属于老客户按理说平均折扣率应该较高才对，但是观察窗口的平均折扣率较低，而且总里程和总次数都不高，分析可能是流失的客户，需要在争取一下，尽量让他们“回心转意”；