在各个行业，尤其是电商行业当中，经常需要做各个人群之间的相似度分析，以便于找到品牌的核心用户，在拉新过程中，我们也需要用现有数据来挖掘潜在客户。下面为大家提供一个做人群相似度的思路。

1、数据准备

需要准备的数据包括每一类数据及其特征,

实际数据如下：

2、计算人群距离

这里我们评价一个类别是否和其它类别相似，可是用各个类别的距离来衡量，这里需要用到一个包：

from scipy.spatial import distance

这个包可以计算各个人群之间的距离。

file = '20191023_114315pivot_people_huaxiang.xlsx'df = pd.read_excel(file, index_col='人群包')df.fillna(0, inplace=True)disMat = distance.pdist(df, 'euclidean')D = distance.squareform(disMat, force='no', checks=True)df_D = pd.DataFrame(D)df_D.index = list(df.index.values)df_D.columns = list(df.index.values)print(df_D)

这里面主要用到了distance当中的两个函数，一个是pdist，一个是squareform。

pdist的主要作用是：得到各个点之间的距离； 这样得到的距离并不能明显的看出各个点之间的区别，所以需要squareform函数；

squareform：这个函数可以把之前pdist得到的距离矩阵化，得到冗余矩阵，例如把

array([ 2, 3, 4, 7, 8, 12])

变化成

array([[ 0, 2, 3, 4], [ 2, 0, 7, 8], [ 3, 7, 0, 12], [ 4, 8, 12, 0]])

这样我们就得到了各个点之间的距离，距离越大相似度就越小；

3、通过主成分分析画散点图

通过距离的数字有时候并不能明显的看出各个点之间的相似关系，所以我们还可以把所有的点画成散点图。散点图只有两个维度，而我们的数据源却有多个维度，所以，第一步就是降维，使用到的包是：

from sklearn import decomposition as skldec

这个包可以帮我们筛选出来两个主要的维度，得到结果之后画散点图：

#根据两个最大的主成分进行绘图pca = skldec.PCA(n_components = 0.95) pca.fit(df) # 主成份分析时每一行是一个输入数据result = pca.transform(df) #计算结果plt.rcParams["font.sans-serif"] =["SimHei"]plt.rcParams["axes.unicode_minus"] = Falseplt.figure() #新建一张图进行绘制plt.scatter(result[:, 0], result[:, 1], c=label, edgecolor='k') #绘制两个主成分组成坐标的散点图for i in range(result[:,0].size): plt.text(result[i,0],result[i,1],df.index[i]) #在每个点边上绘制数据名称x_label = 'PC1(%s%%)' % round((pca.explained_variance_ratio_[0]*100.0),2) #x轴标签字符串y_label = 'PC1(%s%%)' % round((pca.explained_variance_ratio_[1]*100.0),2) #y轴标签字符串plt.xlabel(x_label) #绘制x轴标签plt.ylabel(y_label) #绘制y轴标签plt.show()

使用PCA降维之后还可以查看降维的效果:

>>> pca.n_components1>>> pca.explained_variance_ratio_array([ 0.99910873])>>> pca.explained_variance_array([ 2.55427003])>>> pca.get_params

以上面的数据为例，我们所训练的pca对象的n_components值为1，即保留1个特征，该特征的方差为2.55427003，占所有特征的方差百分比为0.99910873，意味着几乎保留了所有的信息。get_params返回各个参数的值。

最终产出的效果图表：

从图中距离的远近我们就可以看出各个人群的相似关系，以便于我们在人群精细化运行的过程中提供参考。