2022第五届“泰迪杯”数据分析技能赛-B题-银行客户忠诚度分析（下）
2024-04-08 18:53:18
2022第五届“泰迪杯”数据分析技能赛-B题-银行客户忠诚度分析(上)链接：https://blog.csdn.net/weixin_60200880/article/details/127917207?spm=1001.2014.3001.5502
题目链接：链接:https://pan.baidu.com/s/1x1U-kobvPjNMm8xnvS9Gdg
提取码:7id3
目录
任务4 特征构建
任务5 银行客户长期忠诚度预测建模
任务5.1
任务5.2
比赛总结
good
bad
任务4 特征构建
基于长期数据提取影响客户流失的因素，构建与银行客户长期忠诚度相关的特征，将结果保存到文件“result4.xlsx”中。
(1) 根据表 7，构建新老客户活跃程度的特征，并将结果存于“IsActiveStatus” 列
(2) 根据表 8，构建不同金融资产客户活跃程度的特征，并将结果存于“IsActiveAssetStage”列。
(3) 根据表 9，构建不同金融资产信用卡持有状态的特征，并将结果存于“CrCardAssetStage”列。
import pandas as pd
long_data=pd.read_excel('F:\\泰迪杯B题\\B题：银行客户忠诚度分析赛题数据\\任务4.xlsx')IsActiveStatus=[]
IsActiveAssetStaget=[]
CrCardAssetStage=[]
for i in range(len(long_data["Age"])):IsActiveStatus.append(0)IsActiveAssetStaget.append(0)CrCardAssetStage.append(0)
for i in range(len(short_data["Age"])):if long_data.loc[i,'Status']=='新客户' and long_data.loc[i,'IsActiveMember']==0:IsActiveStatus[i]=0if long_data.loc[i,'Status']=='稳定客户' and long_data.loc[i,'IsActiveMember']==0:IsActiveStatus[i]=1if long_data.loc[i,'Status']=='老客户' and long_data.loc[i,'IsActiveMember']==0:IsActiveStatus[i]=2if long_data.loc[i,'Status']=='新客户' and long_data.loc[i,'IsActiveMember']==1:IsActiveStatus[i]=3if long_data.loc[i,'Status']=='稳定客户' and long_data.loc[i,'IsActiveMember']==1:IsActiveStatus[i]=4if long_data.loc[i,'Status']=='老客户' and long_data.loc[i,'IsActiveMember']==1:IsActiveStatus[i]=5for i in range(len(short_data["Age"])):if long_data.loc[i,'AssetStage']=='低资产' and long_data.loc[i,'IsActiveMember']==0:IsActiveAssetStaget[i]=0if long_data.loc[i,'AssetStage']=='中下资产' and long_data.loc[i,'IsActiveMember']==0:IsActiveAssetStaget[i]=1if long_data.loc[i,'AssetStage']=='中上资产' and long_data.loc[i,'IsActiveMember']==0:IsActiveAssetStaget[i]=2if long_data.loc[i,'AssetStage']=='高资产' and long_data.loc[i,'IsActiveMember']==0:IsActiveAssetStaget[i]=3if long_data.loc[i,'AssetStage']=='低资产' and long_data.loc[i,'IsActiveMember']==1:IsActiveAssetStaget[i]=6if long_data.loc[i,'AssetStage']=='中下资产' and long_data.loc[i,'IsActiveMember']==1:IsActiveAssetStaget[i]=7if long_data.loc[i,'AssetStage']=='中上资产' and long_data.loc[i,'IsActiveMember']==1:IsActiveAssetStaget[i]=8if long_data.loc[i,'AssetStage']=='高资产' and long_data.loc[i,'IsActiveMember']==1:IsActiveAssetStaget[i]=9for i in range(len(short_data["Age"])):if long_data.loc[i,'AssetStage']=='低资产' and long_data.loc[i,'HasCrCard']==0:CrCardAssetStage[i]=0if long_data.loc[i,'AssetStage']=='中下资产' and long_data.loc[i,'HasCrCard']==0:CrCardAssetStage[i]=2if long_data.loc[i,'AssetStage']=='中上资产' and long_data.loc[i,'HasCrCard']==0:CrCardAssetStage[i]=5if long_data.loc[i,'AssetStage']=='高资产' and long_data.loc[i,'HasCrCard']==0:CrCardAssetStage[i]=5if long_data.loc[i,'AssetStage']=='低资产' and long_data.loc[i,'HasCrCard']==1:CrCardAssetStage[i]=6if long_data.loc[i,'AssetStage']=='中下资产' and long_data.loc[i,'HasCrCard']==1:CrCardAssetStage[i]=7if long_data.loc[i,'AssetStage']=='中上资产' and long_data.loc[i,'HasCrCard']==1:CrCardAssetStage[i]=9if long_data.loc[i,'AssetStage']=='高资产' and long_data.loc[i,'HasCrCard']==1:CrCardAssetStage[i]=9data_1={'IsActiveStatus':IsActiveStatus,'IsActiveAssetStaget':IsActiveAssetStaget,'CrCardAssetStage':CrCardAssetStage}
df_1=pd.DataFrame(data_1)
df_1.to_excel('F:\\泰迪杯B题\\B题：银行客户忠诚度分析赛题数据\\result4.xlsx',sheet_name='sheet1',index=None)任务5 银行客户长期忠诚度预测建模
长期数据存在“Exited”特征分布不均衡、各项数值分布跨度大等现象。体现为：未流失客户量是已流失客户量的 3 倍以上；客户信用资格最大数值达到 25万，而客户活动状态则为 0 和 1 等。考虑上述现象，对银行客户长期忠诚度进行预测。
任务5.1
(1) 选取适当的客户特征，建立客户长期忠诚度预测模型。客户特征可以从客户信用资格、性别、年龄、户龄、金融资产、客户购买产品数量、持有信用卡状态、活动状态和个人年收入等指标中直接选取，也可以参照任务 4 构建。在报告中给出特征选取的依据、建立预测模型的思路和过程。
(2) 使用混淆矩阵、F1 Score 等方法对预测模型进行评估，在报告中给出评估的方法和结果。
1.导入库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import missingno as ms
import plotly.express as px
import plotly.graph_objs as go
import plotly.figure_factory as ff
from plotly.subplots import make_subplots
import plotly.offline as pyo
pyo.init_notebook_mode()
sns.set_style('darkgrid')
plt.style.use('fivethirtyeight')
%matplotlib inlinefrom sklearn.decomposition import PCA
from imblearn.over_sampling import SMOTE
from sklearn.model_selection import train_test_split,cross_val_score
from sklearn.ensemble import RandomForestClassifier,AdaBoostClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
from sklearn.svm import SVC
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import f1_score as f1
from sklearn.metrics import confusion_matriximport eli5
from eli5.sklearn import PermutationImportance
import shap
plt.rc('figure',figsize=(18,9))import warnings
warnings.filterwarnings("ignore")
pd.set_option('display.max_columns', 26)
long_data=pd.read_excel('F:\\泰迪杯B题\\B题：银行客户忠诚度分析赛题数据\\result1_2.xlsx')2.建模
x=long_data.drop("Exited",axis=1)
y=long_data["Exited"]
# 随机打乱数据
from sklearn.utils import shuffle
data_train=shuffle(long_data)
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.30,random_state=0)3.定义建模函数
def create_model(model):#模型训练model.fit(x_train,y_train)#模型预测y_pred=model.predict(x_test)#准确率accacc=accuracy_score(y_test,y_pred)#混淆矩阵cm=confusion_matrix(y_test,y_pred)#分类报告cr=classification_report(y_test,y_pred)print(f"Test Accuracy of {model}:{acc}")print(f"Confusion Matrix of {model}:\n{cm}")print(f"Classification Report of {model}:\n{cr}")4.十种模型
4.1 KNN
from sklearn.neighbors import KNeighborsClassifier
knn=KNeighborsClassifier()
create_model(knn)---------------------代码分割线-----------------------------Test Accuracy of KNeighborsClassifier():0.8041199855439104
Confusion Matrix of KNeighborsClassifier():
[[2106 112][ 430 119]]
Classification Report of KNeighborsClassifier():precision recall f1-score support0 0.83 0.95 0.89 22181 0.52 0.22 0.31 549accuracy 0.80 2767macro avg 0.67 0.58 0.60 2767
weighted avg 0.77 0.80 0.77 2767
4.2 DecisionTreeClassifier
from sklearn.tree import DecisionTreeClassifier
dt=DecisionTreeClassifier()
create_model(dt)-----------------------代码分割线------------------------Test Accuracy of DecisionTreeClassifier():0.8062883989880737
Confusion Matrix of DecisionTreeClassifier():
[[1919 299][ 237 312]]
Classification Report of DecisionTreeClassifier():precision recall f1-score support0 0.89 0.87 0.88 22181 0.51 0.57 0.54 549accuracy 0.81 2767macro avg 0.70 0.72 0.71 2767
weighted avg 0.81 0.81 0.81 27674.3 RandomForestClassifier
from sklearn.ensemble import RandomForestClassifier
rd_clf=RandomForestClassifier(criterion='entropy',max_depth=11,max_features='auto',min_samples_leaf=2,min_samples_split=3,n_estimators=130)
create_model(rd_clf)------------------------------------代码分割线--------------------------------------Test Accuracy of RandomForestClassifier(criterion='entropy', max_depth=11, max_features='auto',min_samples_leaf=2, min_samples_split=3,n_estimators=130):0.8782074448861583
Confusion Matrix of RandomForestClassifier(criterion='entropy', max_depth=11, max_features='auto',min_samples_leaf=2, min_samples_split=3,n_estimators=130):
[[2165 53][ 284 265]]
Classification Report of RandomForestClassifier(criterion='entropy', max_depth=11, max_features='auto',min_samples_leaf=2, min_samples_split=3,n_estimators=130):precision recall f1-score support0 0.88 0.98 0.93 22181 0.83 0.48 0.61 549accuracy 0.88 2767macro avg 0.86 0.73 0.77 2767
weighted avg 0.87 0.88 0.86 2767
4.4 AdaBoostClassifier
from sklearn.ensemble import AdaBoostClassifier
ada=AdaBoostClassifier(base_estimator=dt)
create_model(ada)------------------------------------------代码分割线-------------------------------------Test Accuracy of AdaBoostClassifier(base_estimator=DecisionTreeClassifier()):0.8091796169136248
Confusion Matrix of AdaBoostClassifier(base_estimator=DecisionTreeClassifier()):
[[1927 291][ 237 312]]
Classification Report of AdaBoostClassifier(base_estimator=DecisionTreeClassifier()):precision recall f1-score support0 0.89 0.87 0.88 22181 0.52 0.57 0.54 549accuracy 0.81 2767macro avg 0.70 0.72 0.71 2767
weighted avg 0.82 0.81 0.81 27674.5 GradientBoostingClassifier
from sklearn.ensemble import GradientBoostingClassifier
gb=GradientBoostingClassifier()
create_model(gb)----------------------------------代码分割线----------------------------------------Test Accuracy of GradientBoostingClassifier():0.878930249367546
Confusion Matrix of GradientBoostingClassifier():
[[2155 63][ 272 277]]
Classification Report of GradientBoostingClassifier():precision recall f1-score support0 0.89 0.97 0.93 22181 0.81 0.50 0.62 549accuracy 0.88 2767macro avg 0.85 0.74 0.78 2767
weighted avg 0.87 0.88 0.87 27674.6 XGBClassifier
from xgboost import XGBClassifier
xgb=XGBClassifier(objective='binary:logistic',learning_rate=0.5,max_depth=5,n_estimators=150)
create_model(xgb)----------------------------------------------代码分割线------------------------------------Test Accuracy of XGBClassifier(base_score=0.5, booster='gbtree', callbacks=None,colsample_bylevel=1, colsample_bynode=1, colsample_bytree=1,early_stopping_rounds=None, enable_categorical=False,eval_metric=None, gamma=0, gpu_id=-1, grow_policy='depthwise',importance_type=None, interaction_constraints='',learning_rate=0.5, max_bin=256, max_cat_to_onehot=4,max_delta_step=0, max_depth=5, max_leaves=0, min_child_weight=1,missing=nan, monotone_constraints='()', n_estimators=150,n_jobs=0, num_parallel_tree=1, predictor='auto', random_state=0,reg_alpha=0, reg_lambda=1, ...):0.8641127574990964
Confusion Matrix of XGBClassifier(base_score=0.5, booster='gbtree', callbacks=None,colsample_bylevel=1, colsample_bynode=1, colsample_bytree=1,early_stopping_rounds=None, enable_categorical=False,eval_metric=None, gamma=0, gpu_id=-1, grow_policy='depthwise',importance_type=None, interaction_constraints='',learning_rate=0.5, max_bin=256, max_cat_to_onehot=4,max_delta_step=0, max_depth=5, max_leaves=0, min_child_weight=1,missing=nan, monotone_constraints='()', n_estimators=150,n_jobs=0, num_parallel_tree=1, predictor='auto', random_state=0,reg_alpha=0, reg_lambda=1, ...):
[[2106 112][ 264 285]]
Classification Report of XGBClassifier(base_score=0.5, booster='gbtree', callbacks=None,colsample_bylevel=1, colsample_bynode=1, colsample_bytree=1,early_stopping_rounds=None, enable_categorical=False,eval_metric=None, gamma=0, gpu_id=-1, grow_policy='depthwise',importance_type=None, interaction_constraints='',learning_rate=0.5, max_bin=256, max_cat_to_onehot=4,max_delta_step=0, max_depth=5, max_leaves=0, min_child_weight=1,missing=nan, monotone_constraints='()', n_estimators=150,n_jobs=0, num_parallel_tree=1, predictor='auto', random_state=0,reg_alpha=0, reg_lambda=1, ...):precision recall f1-score support0 0.89 0.95 0.92 22181 0.72 0.52 0.60 549accuracy 0.86 2767macro avg 0.80 0.73 0.76 2767
weighted avg 0.85 0.86 0.86 27674.7 CatBoostClassifier
from catboost import CatBoostClassifier
cab=CatBoostClassifier(iterations=10)
create_model(cab)--------------------------------------代码分割线--------------------------------------------Learning rate set to 0.5
0: learn: 0.4772704 total: 142ms remaining: 1.27s
1: learn: 0.4010936 total: 143ms remaining: 570ms
2: learn: 0.3680817 total: 144ms remaining: 336ms
3: learn: 0.3486839 total: 145ms remaining: 218ms
4: learn: 0.3360775 total: 147ms remaining: 147ms
5: learn: 0.3280172 total: 148ms remaining: 98.7ms
6: learn: 0.3221241 total: 150ms remaining: 64.1ms
7: learn: 0.3176367 total: 151ms remaining: 37.7ms
8: learn: 0.3148666 total: 152ms remaining: 16.9ms
9: learn: 0.3115188 total: 153ms remaining: 0us
Test Accuracy of <catboost.core.CatBoostClassifier object at 0x000002D7908D6880>:0.8760390314419949
Confusion Matrix of <catboost.core.CatBoostClassifier object at 0x000002D7908D6880>:
[[2148 70][ 273 276]]
Classification Report of <catboost.core.CatBoostClassifier object at 0x000002D7908D6880>:precision recall f1-score support0 0.89 0.97 0.93 22181 0.80 0.50 0.62 549accuracy 0.88 2767macro avg 0.84 0.74 0.77 2767
weighted avg 0.87 0.88 0.86 2767
4.8 ExtraTreesClassifier
from sklearn.ensemble import ExtraTreesClassifier
etc=ExtraTreesClassifier()
create_model(etc)-------------------------------代码分割线--------------------------------------Test Accuracy of ExtraTreesClassifier():0.8695337911095049
Confusion Matrix of ExtraTreesClassifier():
[[2158 60][ 301 248]]
Classification Report of ExtraTreesClassifier():precision recall f1-score support0 0.88 0.97 0.92 22181 0.81 0.45 0.58 549accuracy 0.87 2767macro avg 0.84 0.71 0.75 2767
weighted avg 0.86 0.87 0.85 27674.9 LGBMClassifier
from lightgbm import LGBMClassifier
lgbm=LGBMClassifier(learning_rate=0.1)
create_model(lgbm)-----------------------------代码分割线------------------------------------------Test Accuracy of LGBMClassifier():0.8764004336826888
Confusion Matrix of LGBMClassifier():
[[2143 75][ 267 282]]
Classification Report of LGBMClassifier():precision recall f1-score support0 0.89 0.97 0.93 22181 0.79 0.51 0.62 549accuracy 0.88 2767macro avg 0.84 0.74 0.77 2767
weighted avg 0.87 0.88 0.87 27674.10 svm
from sklearn import svm
wclf=svm.SVC(kernel='rbf',class_weight={1:3})
create_model(wclf)--------------------------------代码分割线------------------------------------Test Accuracy of SVC(class_weight={1: 3}):0.8015901698590532
Confusion Matrix of SVC(class_weight={1: 3}):
[[2218 0][ 549 0]]
Classification Report of SVC(class_weight={1: 3}):precision recall f1-score support0 0.80 1.00 0.89 22181 0.00 0.00 0.00 549accuracy 0.80 2767macro avg 0.40 0.50 0.44 2767
weighted avg 0.64 0.80 0.71 27675.绘制模型评分直方图
models=pd.DataFrame({"model":["SVM","KNN","Decision Tree","Random Forest","Ada Boost","Gradient Boosting","XgBoost","catBoost","Extra Trees","LGBM"],"acc":[0.802,0.804,0.806,0.878,0.809,0.879,0.864,0.876,0.869,0.876]})
models=models.sort_values("acc",ascending=True)
px.bar(models,x="acc",y="model",text="acc",color='acc',template='plotly_dark',title='Models Comparision')
6.模型可解释性
在这里选择Gradient Boost（gb）同时使用shap库来进行解释
6.1 shap值计算
# 模型可解释性,选择Extra Tree(etc)
explainer=shap.TreeExplainer(gb)
# 在explainer中传入特征值的数据，计算shap值
shap_values=explainer.shap_values(x_test)
shap_values-------------------------------------------------------------------array([[-1.62093641e-01, -2.90161088e-02, 1.17664011e-01, ...,-1.07458257e-05, -3.58140368e-01, 1.20403416e-02],[-1.51243735e-01, -4.63661455e-02, 1.47073454e-01, ...,-1.07458257e-05, 4.34854369e-01, -1.76490066e-01],[-1.93332535e-01, -6.02414362e-02, -1.25060216e-01, ...,1.07458257e-05, -2.47356490e-01, -3.77205325e-02],...,[-6.51192238e-02, -3.84451253e-02, 1.61559034e-01, ...,4.56697590e-05, -2.59919373e-01, 2.10393113e-02],[-1.50441872e-01, 1.86815435e-03, -1.54295830e-01, ...,-1.07458257e-05, 3.89491535e-01, -4.21581673e-02],[-1.76659921e-01, -1.06582926e-01, -1.20482271e-01, ...,1.07458257e-05, -2.99516880e-01, 4.03566576e-02]])6.2 Feature importance
shap.summary_plot(shap_values,x_test,plot_type="bar")
shap.summary_plot(shap_values,x_test)
横坐标为 shap_value，即影响的权重，而非特征的具体指，特征值的大小对结果的影响通过颜色表示，红色值大，蓝色值小，紫色邻近均值。因此，区域分布越宽说明它的影响力越大。
任务5.2
(3) 对“long-customer-test.csv”测试数据进行预测，将全部预测结果以表 10 形式保存为文件“result5.xlsx”，其中 0 表示客户没有流失，1 表示客户流失。并将表 11 中的 5 个客户 ID 的预测结果在报告中列出。
fact_data=pd.read_csv('F:\泰迪杯B题\B题：银行客户忠诚度分析赛题数据\B题：银行客户忠诚度分析赛题数据\long-customer-test.csv')
pred=gb.predict(fact_data)
CustomerId=[]
for i in range(len(fact_data["CustomerId"])):CustomerId.append(0)for i in range(len(fact_data["CustomerId"])):CustomerId[i]=fact_data.loc[i,"CustomerId"]pred--------------------------------------------------------------------------------------array([0, 1, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0,1, 0, 0, 0, 0, 1, 1, 0, 1, 1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0,0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0,0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0,0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 1, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0,0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0,1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0,0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0,0, 0, 1, 1, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0,0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0,0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 1, 0, 0, 0, 0, 0, 1, 1, 0, 1, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0,1, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 1, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1,1, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 1,0, 1, 0, 0, 1, 0, 0, 1, 1, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1,0, 0, 1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0,1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0,0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0,0, 0, 1, 0, 1, 1, 1, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0,1, 0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0, 1, 0, 0, 0,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0, 1, 1, 0, 1,0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0,0, 0, 0, 0, 1, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 0,1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 1,0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 1, 0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0, 1, 0, 0, 1, 0,0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 1, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0,1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1,0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0,0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 1, 0, 1, 0, 0, 1, 1, 0,0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0,0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0,0, 1, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0,0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0,0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0,0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0,0, 0, 1, 0, 0, 0, 0, 1, 0, 0], dtype=int64)写入文件
data_1={'CustomerId':CustomerId,'Exited':pred}
df_1=pd.DataFrame(data_1)
df_1.to_excel('F:\\泰迪杯B题\\B题：银行客户忠诚度分析赛题数据\\result5.xlsx',sheet_name='sheet1',index=None)部分预测结果如下：
| Customerld | Exited |
|---|---|
| 15779131 | 0 |
| 15674442 | 0 |
| 15719508 | 1 |
| 15730076 | 1 |
| 15792228 | 1 |
至此，整个题目基本完成！
比赛总结
首先，这是我第一次单独一个人参加并完成比赛，这个比赛组队规则是1-3人组队，我没有组队的原因其实有很多（这里就不说了……）。接下来说说这次比赛好的方面和一些不足的地方吧。
good
好的方面当然是题目能做完且按时提交啦，因为B题比赛时间是周日，A题比赛时间是周六，然后第一天A题的题目确实是有点不按套路出牌，我本来给自己设定的时间是下午6点就开始写论文的，结果到6点题目只做了一半不到(o(╥﹏╥)o)，最后还是放弃做题开始写论文，整个过程都很不尽人意。B题能做完主要是算法部分有提前准备算法和代码，所以整个过程感觉还是良好的，也积累了不少经验。
bad
1.最大最大的问题：虽然题目有做完，但是论文质量不高(可能是第一次写论文的原因吧，之前都是队友写的)，最大的问题就是论文忘了加标题，论文的排版、说明、过程叙述也都不是很好。
2.比赛过程也反映了自己对代码不够熟练，整道题基本每解决一个小任务都要csdn
3.比赛状态也不是很好，睡眠不足+能量不足(因为单独参赛赶时间，直到下午两点辅导员催做核酸顺路在饭堂买了点吃的)
总之，能在比赛中找到自己的不足还是值得的，争取下次能做得更好吧！
接下来该准备期末考了(⊙﹏⊙)
2022第五届“泰迪杯”数据分析技能赛-B题-银行客户忠诚度分析（下）相关推荐
- 2022第五届“泰迪杯”数据分析技能赛-B题-银行客户忠诚度分析（上）
新手参加比赛,不足之处敬请谅解 题目链接:链接:https://pan.baidu.com/s/1x1U-kobvPjNMm8xnvS9Gdg 提取码:7id3 目录 任务1 数据探索与清洗 任务1 ...
- 2022第五届“泰迪杯”数据分析技能赛-B题-银行客户忠诚度分析
目录 任务1 数据探索与清洗 任务1.1 任务1.2 任务2 产品销售数据可视化分析 任务2.1 任务3 客户流失因素可视化分析 任务3.1 任务3.2 任务3.3 任务3.4 任务4 特征构建 任务 ...
- 2022年”泰迪杯“数据分析技能赛B题：银行客户忠诚度分析
A题和B题我们小组都做了,最终A题二等奖,B题一等奖.总结写在最前面,泰迪杯技能赛不像数学建模比赛,所有的问题具有引导性,但一天完成建模和论文也不是一件容易的事,如果想要通过Python实现分析,需要 ...
- 2022泰迪杯数据分析技能赛B题方案及赛后总结：银行客户忠诚度分析
第五届"泰迪杯"数据分析技能赛(B题)『一等奖』,@队友:东可在编程.好同志歪歪 B题题目为"银行客户忠诚度分析",题目给出了短期客户产品购买数据"s ...
- 第五届“泰迪杯”数据分析技能赛 经验代码分享
第五届"泰迪杯"数据分析技能赛 经验/代码分享 品牌:"泰迪杯"数据分析技能赛 组织单位:泰迪杯数据分析技能赛组织委员会.广东泰迪智能科技股份有限公司.广东省工 ...
- 2021 年“泰迪杯”数据分析技能赛 B 题 肥料登记数据分析 （视频讲解+解题源码）、数据挖掘、数据分析实战
2021 年"泰迪杯"数据分析技能赛 B 题 肥料登记数据分析 (视频讲解+解题源码).数据挖掘.数据分析实战 前言: 整理了2021 年"泰迪杯"数据分析技能 ...
- 第五届“泰迪杯”数据分析技能赛
为推广我国高校数据分析实践教学,培养学生数据分析的应用和创新能力,增加校企交流合作和信息共享,提升我国高校的教学质量和企业的竞争能力,"泰迪杯"数据分析技能赛(以下简称竞赛)于20 ...
- 2021泰迪杯数据分析技能赛B题-肥料登记数据分析
调用模块: import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns p ...
- 第五届泰迪杯数据分析技能大赛思路
各有关单位: 为推广我国高校数据分析实践教学,培养学生数据分析的应用和创新能力,增加校企交流合作和信息共享,提升我国高校的教学质量和企业的竞争能力,"泰迪杯"数据分析技能赛(以下简 ...
最新文章
- 零基础跟我学前端之css3基础
- 深度学习论文笔记-Deep Learning Face Representation from Predicting 10,000 Classes
- 浅析STL allocator
- w7系统计算机e盘无法打开,Win7电脑磁盘打不开怎么办
- 关于近期对自己的总结
- 比尔·盖茨：我不认为中国AI能弯道超车
- ansible一键部署rsync服务剧本
- RXJAVA之Subject
- java对象调用方法,java 对象调用
- asp.net 动态生成二维码加文字描述或者二维码加logo
- Realtek：电脑更新后，在主机前面板插上耳机没有声音，怎么解决？
- 介绍常用的无线通信技术
- node.js历史版本下载安装
- 网络编程——CS模型（总结）
- Spring @Validate 报 :No validator could be found for type 异常解決
- kvm 监控内存，替换页表（linux版的win VT晶核）（这个整复杂了，不用小内核也可以实现，留着吧，主要记录了bootLoad的启动过程）
- 大白菜重装完系统后出现双系统怎么办
- 过年表情包 || 一个月后就能用啦
- 论文阅读：Grad-CAM
- 手机抓取蓝牙日志btsnoop的方法汇总(Android一直补充中)