티스토리 뷰

패스트캠퍼스 스터디

패스트캠퍼스study(ch.04 고객 이탈 예측/KNN)

jaeyoonlee 2021. 6. 16. 21:24

[FastCampus] 파이썬을 활용한 이커머스 데이터 분석하기¶

Ch04. 고객 이탈 예측(KNN)¶

01. 분석의 목적¶

KNN 알고리즘으로 고객이탈(customer churn)을 예측
Binary Classification(고객 이탈을 한다 안한다를 예측하기 때문이다.)
통신사 고객데이터를 이용하여 유추해 보려한다. 통신사 고객 데이터는 고객 이탈이 빈번하기 때문에 이번 주제에 알맞는 데이터이다.

02. KNN의 원리¶

KNN의 뜻은 K-Nearly-Neighbors의 약자로 새로운 데이터의 특성을 가장 가까운 데이터의 특성을 이용하여 예측하는 방식이다.

03. 파이썬 Tip - list¶

아래 코드와 같이 대괄호를 이용하여 리스트를 만든다.

In [6]:

x = [1,2,3]

In [7]:

['a','b','c']

Out[7]:

['a', 'b', 'c']

리스트 안에 리스트도 만들 수 있다.

In [8]:

y = [1,2,3,[4,5]]

위 코드는 리스트가 4개 들어가 있는 형식이라 볼 수 있다.

데이터의 길이를 확인하려면 len() 메서드를 사용하면 된다.

In [9]:

len(x)

Out[9]:

In [10]:

len(y)

Out[10]:

In [11]:

my_list = [1,2,3,4,5]

In [12]:

my_list

Out[12]:

[1, 2, 3, 4, 5]

appen() 메서드를 이용하면 리스트에 새로운 데이터를 추가로 넣어 줄 수 있다.

In [13]:

my_list.append(6)

In [14]:

my_list

Out[14]:

[1, 2, 3, 4, 5, 6]

6이 추가된 것을 볼 수 있다. 문자도 넣어줄 수 있다.

In [15]:

my_list.append('a')

In [16]:

my_list

Out[16]:

[1, 2, 3, 4, 5, 6, 'a']

다음과 같이 인덱싱도 가능하다.

In [17]:

my_list[-2]

Out[17]:

In [18]:

my_list[3:]

Out[18]:

[4, 5, 6, 'a']

리스트 안에 있는 데이터를 바꾸려면 아래와 같이 하면 된다.

In [19]:

my_list[0] = 'x'

In [20]:

my_list

Out[20]:

['x', 2, 3, 4, 5, 6, 'a']

튜플 타입은 리스트와는 다르게 안에 있는 데이터를 바꿀 수 없다.

04. 파이썬 Tip - For, While 문¶

In [22]:

x = [1,2,3]

In [23]:

Out[23]:

[1, 2, 3]

x 안에 있는 데이터 1,2,3을 차례대로 출력할 수 있는 코드를 For문을 이용해 만들어 보자.

In [24]:

for i in x:
    print(i)

1
2
3

In [25]:

for i in x:
    print(i+10)

11
12
13

range() 메서드를 이용하면 0부터 9까지의 일련의 숫자들이 자동으로 정렬된다. 이 메서드를 이용하면 조금 더 편리하다.

In [26]:

for i in range(10):
    print(i)

이번엔 for문을 이용해 인덱싱을 해보자.

In [30]:

a = ['apple','orange','banana','melon']

In [31]:

b = [1,0,2]

In [33]:

for i in b:
    print(a[i])

orange
apple
banana

while문은 for문과 비슷하지만 for문과는 다르게 조건이 만족한다면 계속해서 돌아가는 방식이다.

In [35]:

t = 11

In [36]:

while t < 10:
    print('hi')

위 처럼 while문 안의 조건이 맞지 않으면 아무것도 실행되지 않는다. 조건이 맞는다면 무한루프로 계속 hi가 나오게 될 것이다. 그래서 조건이 잘 끝날 수 있도록 정해주어야 한다.

In [37]:

t = 0

In [38]:

while t < 10:
    print(t)
    t = t + 1

이번엔 while문을 사용하여 리스트를 만들어 보자.

In [39]:

a = []

In [40]:

b = 1

In [41]:

while len(a) < 10:
    a.append(b)
    b = b + 3

In [42]:

Out[42]:

[1, 4, 7, 10, 13, 16, 19, 22, 25, 28]

In [43]:

len(a)

Out[43]:

05. 모듈, 데이터 로딩 및 데이터 확인¶

먼저 필요한 모듈을 불러오자.

In [44]:

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

In [48]:

data = pd.read_csv('churn.csv')

In [49]:

data

Out[49]:

	customerID	gender	SeniorCitizen	Partner	Dependents	tenure	PhoneService	MultipleLines	InternetService	OnlineSecurity	...	DeviceProtection	TechSupport	StreamingTV	StreamingMovies	Contract	PaperlessBilling	PaymentMethod	MonthlyCharges	TotalCharges	Churn
0	7590-VHVEG	Female	0	Yes	No	1	No	No phone service	DSL	No	...	No	No	No	No	Month-to-month	Yes	Electronic check	29.85	29.85	No
1	5575-GNVDE	Male	0	No	No	34	Yes	No	DSL	Yes	...	Yes	No	No	No	One year	No	Mailed check	56.95	1889.50	No
2	3668-QPYBK	Male	0	No	No	2	Yes	No	DSL	Yes	...	No	No	No	No	Month-to-month	Yes	Mailed check	53.85	108.15	Yes
3	7795-CFOCW	Male	0	No	No	45	No	No phone service	DSL	Yes	...	Yes	Yes	No	No	One year	No	Bank transfer (automatic)	42.30	1840.75	No
4	9237-HQITU	Female	0	No	No	2	Yes	No	Fiber optic	No	...	No	No	No	No	Month-to-month	Yes	Electronic check	70.70	151.65	Yes
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
7038	6840-RESVB	Male	0	Yes	Yes	24	Yes	Yes	DSL	Yes	...	Yes	Yes	Yes	Yes	One year	Yes	Mailed check	84.80	1990.50	No
7039	2234-XADUH	Female	0	Yes	Yes	72	Yes	Yes	Fiber optic	No	...	Yes	No	Yes	Yes	One year	Yes	Credit card (automatic)	103.20	7362.90	No
7040	4801-JZAZL	Female	0	Yes	Yes	11	No	No phone service	DSL	Yes	...	No	No	No	No	Month-to-month	Yes	Electronic check	29.60	346.45	No
7041	8361-LTMKD	Male	1	Yes	No	4	Yes	Yes	Fiber optic	No	...	No	No	No	No	Month-to-month	Yes	Mailed check	74.40	306.60	Yes
7042	3186-AJIEK	Male	0	No	No	66	Yes	No	Fiber optic	Yes	...	Yes	Yes	Yes	Yes	Two year	Yes	Bank transfer (automatic)	105.65	6844.50	No

7043 rows × 21 columns

In [50]:

data.head()

Out[50]:

	customerID	gender	Partner	Dependents	tenure	PhoneService	MultipleLines	InternetService	OnlineSecurity	...	DeviceProtection	TechSupport	StreamingTV	StreamingMovies	Contract	PaperlessBilling	PaymentMethod	MonthlyCharges	TotalCharges	Churn
0	7590-VHVEG	Female	Yes	No	1	No	No phone service	DSL	No	...	No	No	No	No	Month-to-month	Yes	Electronic check	29.85	29.85	No
1	5575-GNVDE	Male	No	No	34	Yes	No	DSL	Yes	...	Yes	No	No	No	One year	No	Mailed check	56.95	1889.50	No
2	3668-QPYBK	Male	No	No	2	Yes	No	DSL	Yes	...	No	No	No	No	Month-to-month	Yes	Mailed check	53.85	108.15	Yes
3	7795-CFOCW	Male	No	No	45	No	No phone service	DSL	Yes	...	Yes	Yes	No	No	One year	No	Bank transfer (automatic)	42.30	1840.75	No
4	9237-HQITU	Female	No	No	2	Yes	No	Fiber optic	No	...	No	No	No	No	Month-to-month	Yes	Electronic check	70.70	151.65	Yes

5 rows × 21 columns

컬럼이 너무 많아서 ... 으로 나오는 부분까지 모두 보려면 아래의 set_option() 메서드를 이용하여 출력하면 된다. 행을 모두 보려면 columns 대신 rows를 입력해주면 된다.

In [53]:

pd.set_option('display.max_columns', 30)

In [54]:

data.head()

Out[54]:

	customerID	gender	Partner	Dependents	tenure	PhoneService	MultipleLines	InternetService	OnlineSecurity	OnlineBackup	DeviceProtection	TechSupport	StreamingTV	StreamingMovies	Contract	PaperlessBilling	PaymentMethod	MonthlyCharges	TotalCharges	Churn
0	7590-VHVEG	Female	Yes	No	1	No	No phone service	DSL	No	Yes	No	No	No	No	Month-to-month	Yes	Electronic check	29.85	29.85	No
1	5575-GNVDE	Male	No	No	34	Yes	No	DSL	Yes	No	Yes	No	No	No	One year	No	Mailed check	56.95	1889.50	No
2	3668-QPYBK	Male	No	No	2	Yes	No	DSL	Yes	Yes	No	No	No	No	Month-to-month	Yes	Mailed check	53.85	108.15	Yes
3	7795-CFOCW	Male	No	No	45	No	No phone service	DSL	Yes	No	Yes	Yes	No	No	One year	No	Bank transfer (automatic)	42.30	1840.75	No
4	9237-HQITU	Female	No	No	2	Yes	No	Fiber optic	No	No	No	No	No	No	Month-to-month	Yes	Electronic check	70.70	151.65	Yes

컬럼을 확인해 보자.

cutomerID : 고객 ID (분석에는 크게 의미없는 데이터이다.)
gender : 성별
SeniorCitizen : SeniorCitizen이 아닌지 여부
Partner : Parter 여부
Dependents : Dependents 여부
tenure : 얼마나 사용했는지의 대한 달의 수
Phone Survice
MultipleLines : 회선의 갯수
InternetService
OnlineSecurity
OnlineBackup
DeviceProtection
TechSupport
StreamingTV
StreamingMovies
Contract : 월 단위 계약인지 연 단위 계약인지의 대한 내용
PaperlessBilling
PaymentMethod : 결제 수단
MonthlyCharges : 월별 금액
TotalCharges : 총 지불한 금액
Churn : 고객이 이탈을 했는지 안했는지의 여부 (이번 분석에서 예측할 컬럼이다.)

각 컬럼들의 정보를 알아보자.

In [55]:

data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 7043 entries, 0 to 7042
Data columns (total 21 columns):
 #   Column            Non-Null Count  Dtype  
---  ------            --------------  -----  
 0   customerID        7043 non-null   object 
 1   gender            7043 non-null   object 
 2   SeniorCitizen     7043 non-null   int64  
 3   Partner           7043 non-null   object 
 4   Dependents        7043 non-null   object 
 5   tenure            7043 non-null   int64  
 6   PhoneService      7043 non-null   object 
 7   MultipleLines     7043 non-null   object 
 8   InternetService   7043 non-null   object 
 9   OnlineSecurity    7043 non-null   object 
 10  OnlineBackup      7043 non-null   object 
 11  DeviceProtection  7043 non-null   object 
 12  TechSupport       7043 non-null   object 
 13  StreamingTV       7043 non-null   object 
 14  StreamingMovies   7043 non-null   object 
 15  Contract          7043 non-null   object 
 16  PaperlessBilling  7043 non-null   object 
 17  PaymentMethod     7043 non-null   object 
 18  MonthlyCharges    7043 non-null   float64
 19  TotalCharges      7043 non-null   object 
 20  Churn             7043 non-null   object 
dtypes: float64(1), int64(2), object(18)
memory usage: 1.1+ MB

숫자로 되어있는 데이터보단 텍스트로 되어 있는 데이터가 더 많은 것을 볼 수 있다. TotalCharges는 위의 데이터 상에선 숫자로 되어있는데 info()로 확인해 보니 텍스트 형식으로 되어 있는것을 볼 수 있다. 이것을 숫자 데이터로 바꾸어줄 필요가 있어 보인다.

In [56]:

pd.to_numeric(data['TotalCharges'])

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
pandas/_libs/lib.pyx in pandas._libs.lib.maybe_convert_numeric()

ValueError: Unable to parse string " "

During handling of the above exception, another exception occurred:

ValueError                                Traceback (most recent call last)
<ipython-input-56-ff40986ab5f9> in <module>
----> 1 pd.to_numeric(data['TotalCharges'])

~/.local/lib/python3.6/site-packages/pandas/core/tools/numeric.py in to_numeric(arg, errors, downcast)
    151         try:
    152             values = lib.maybe_convert_numeric(
--> 153                 values, set(), coerce_numeric=coerce_numeric
    154             )
    155         except (ValueError, TypeError):

pandas/_libs/lib.pyx in pandas._libs.lib.maybe_convert_numeric()

ValueError: Unable to parse string " " at position 488

488번째 데이터에 숫자가 아닌 " " 이런 데이터가 포함되어 있어 숫자 데이터로 바꿀 수 없다고 오류가 난다. 488 번째의 데이터를 확인해보자.

In [57]:

data.iloc[488]

Out[57]:

customerID                         4472-LVYGI
gender                                 Female
SeniorCitizen                               0
Partner                                   Yes
Dependents                                Yes
tenure                                      0
PhoneService                               No
MultipleLines                No phone service
InternetService                           DSL
OnlineSecurity                            Yes
OnlineBackup                               No
DeviceProtection                          Yes
TechSupport                               Yes
StreamingTV                               Yes
StreamingMovies                            No
Contract                             Two year
PaperlessBilling                          Yes
PaymentMethod       Bank transfer (automatic)
MonthlyCharges                          52.55
TotalCharges                                 
Churn                                      No
Name: 488, dtype: object

스페이스바로 되어 있는 이 부분을 바꾸어 주려면 replace() 메서드를 이용하여 바꾸어 줄 수 있다.

In [61]:

data['TotalCharges'] = data['TotalCharges'].replace(" ", "")

위이 코드와 같이 스페이스바 부분의 공백을 없애주면 숫자 데이터로 변환할 수 있다.

In [63]:

data['TotalCharges'] = pd.to_numeric(data['TotalCharges'])

In [64]:

data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 7043 entries, 0 to 7042
Data columns (total 21 columns):
 #   Column            Non-Null Count  Dtype  
---  ------            --------------  -----  
 0   customerID        7043 non-null   object 
 1   gender            7043 non-null   object 
 2   SeniorCitizen     7043 non-null   int64  
 3   Partner           7043 non-null   object 
 4   Dependents        7043 non-null   object 
 5   tenure            7043 non-null   int64  
 6   PhoneService      7043 non-null   object 
 7   MultipleLines     7043 non-null   object 
 8   InternetService   7043 non-null   object 
 9   OnlineSecurity    7043 non-null   object 
 10  OnlineBackup      7043 non-null   object 
 11  DeviceProtection  7043 non-null   object 
 12  TechSupport       7043 non-null   object 
 13  StreamingTV       7043 non-null   object 
 14  StreamingMovies   7043 non-null   object 
 15  Contract          7043 non-null   object 
 16  PaperlessBilling  7043 non-null   object 
 17  PaymentMethod     7043 non-null   object 
 18  MonthlyCharges    7043 non-null   float64
 19  TotalCharges      7032 non-null   float64
 20  Churn             7043 non-null   object 
dtypes: float64(2), int64(2), object(17)
memory usage: 1.1+ MB

float64로 바뀐것을 확인할 수 있다.

In [65]:

data.describe()

Out[65]:

	SeniorCitizen	tenure	MonthlyCharges	TotalCharges
count	7043.000000	7043.000000	7043.000000	7032.000000
mean	0.162147	32.371149	64.761692	2283.300441
std	0.368612	24.559481	30.090047	2266.771362
min	0.000000	0.000000	18.250000	18.800000
25%	0.000000	9.000000	35.500000	401.450000
50%	0.000000	29.000000	70.350000	1397.475000
75%	0.000000	55.000000	89.850000	3794.737500
max	1.000000	72.000000	118.750000	8684.800000

In [68]:

sns.distplot(data['TotalCharges'])

/home/jaeyoon89/.local/lib/python3.6/site-packages/seaborn/distributions.py:2557: FutureWarning: `distplot` is a deprecated function and will be removed in a future version. Please adapt your code to use either `displot` (a figure-level function with similar flexibility) or `histplot` (an axes-level function for histograms).
  warnings.warn(msg, FutureWarning)

Out[68]:

<AxesSubplot:xlabel='TotalCharges', ylabel='Density'>

06. 카테고리 변수 처리¶

위 데이터의 Gender 컬럼에서 Female과 male을 분석을 위해 0과 1로 바꾸어줄 필요가 있다. male과 female을 숫자로 바꾸어 주려면 2개의 다른 컬럼을 만들어 주어야 한다. 그리고 그 안에 0 또는 1로 채워 넣어주면 된다. 하지만 우리는 하나의 컬럼만(ex:male)을 가지고도 Gender를 구분할 수 있기 때문에 두 컬럼을 모두 가져갈 필요는 없다.

먼저 gender 컬럼의 유니크한 밸류의 갯수를 확인해 보자.

In [71]:

data['gender'].nunique()

Out[71]:

이 2개를 get_dummies() 메서드를 이용해 바꾸어주면 컬럼 맨 끝에 Female과 male 2개의 컬럼으로 나누어진 것을 볼 수 있다. 하지만 우리는 하나의 밸류를 가지고도 gender를 구분할 수 있기 때문에 drop_first()를 True로 바꾸어 drop 시키자.

In [73]:

pd.get_dummies(data, columns=['gender'], drop_first = True)

Out[73]:

	customerID	SeniorCitizen	Partner	Dependents	tenure	PhoneService	MultipleLines	InternetService	OnlineSecurity	OnlineBackup	DeviceProtection	TechSupport	StreamingTV	StreamingMovies	Contract	PaperlessBilling	PaymentMethod	MonthlyCharges	TotalCharges	Churn	gender_Male
0	7590-VHVEG	0	Yes	No	1	No	No phone service	DSL	No	Yes	No	No	No	No	Month-to-month	Yes	Electronic check	29.85	29.85	No	0
1	5575-GNVDE	0	No	No	34	Yes	No	DSL	Yes	No	Yes	No	No	No	One year	No	Mailed check	56.95	1889.50	No	1
2	3668-QPYBK	0	No	No	2	Yes	No	DSL	Yes	Yes	No	No	No	No	Month-to-month	Yes	Mailed check	53.85	108.15	Yes	1
3	7795-CFOCW	0	No	No	45	No	No phone service	DSL	Yes	No	Yes	Yes	No	No	One year	No	Bank transfer (automatic)	42.30	1840.75	No	1
4	9237-HQITU	0	No	No	2	Yes	No	Fiber optic	No	No	No	No	No	No	Month-to-month	Yes	Electronic check	70.70	151.65	Yes	0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
7038	6840-RESVB	0	Yes	Yes	24	Yes	Yes	DSL	Yes	No	Yes	Yes	Yes	Yes	One year	Yes	Mailed check	84.80	1990.50	No	1
7039	2234-XADUH	0	Yes	Yes	72	Yes	Yes	Fiber optic	No	Yes	Yes	No	Yes	Yes	One year	Yes	Credit card (automatic)	103.20	7362.90	No	0
7040	4801-JZAZL	0	Yes	Yes	11	No	No phone service	DSL	Yes	No	No	No	No	No	Month-to-month	Yes	Electronic check	29.60	346.45	No	0
7041	8361-LTMKD	1	Yes	No	4	Yes	Yes	Fiber optic	No	No	No	No	No	No	Month-to-month	Yes	Mailed check	74.40	306.60	Yes	1
7042	3186-AJIEK	0	No	No	66	Yes	No	Fiber optic	Yes	No	Yes	Yes	Yes	Yes	Two year	Yes	Bank transfer (automatic)	105.65	6844.50	No	1

7043 rows × 21 columns

나머지 컬럼들도 처리해야 한다. 먼저 object 타입의 컬럼들을 한번에 모아보자. 그러려면 dtype이 object인 컬럼들을 모두 불러와야 한다. 아래의 코드를 따라해보자.

In [74]:

data['gender'].dtype == 'O'

Out[74]:

True

먼저 빈 리스트를 만들어 준다.

In [75]:

col_list = []

그 다음 append() 메서드로 하나씩 집어 넣어보자. for문을 사용하여 실행해보자.

In [77]:

data.columns

Out[77]:

Index(['customerID', 'gender', 'SeniorCitizen', 'Partner', 'Dependents',
       'tenure', 'PhoneService', 'MultipleLines', 'InternetService',
       'OnlineSecurity', 'OnlineBackup', 'DeviceProtection', 'TechSupport',
       'StreamingTV', 'StreamingMovies', 'Contract', 'PaperlessBilling',
       'PaymentMethod', 'MonthlyCharges', 'TotalCharges', 'Churn'],
      dtype='object')

In [80]:

for i in data.columns:
    if data[i].dtype == 'O':
        col_list.append(i)

In [81]:

col_list

Out[81]:

['customerID',
 'gender',
 'Partner',
 'Dependents',
 'PhoneService',
 'MultipleLines',
 'InternetService',
 'OnlineSecurity',
 'OnlineBackup',
 'DeviceProtection',
 'TechSupport',
 'StreamingTV',
 'StreamingMovies',
 'Contract',
 'PaperlessBilling',
 'PaymentMethod',
 'Churn']

col_list에 있는 컬럼의 유니크한 밸류의 갯수를 확인해보자.

In [84]:

for i in col_list:
    print(i, data[i].nunique())

customerID 7043
gender 2
Partner 2
Dependents 2
PhoneService 2
MultipleLines 3
InternetService 3
OnlineSecurity 3
OnlineBackup 3
DeviceProtection 3
TechSupport 3
StreamingTV 3
StreamingMovies 3
Contract 3
PaperlessBilling 2
PaymentMethod 4
Churn 2

customerID는 분석에 필요없기 때문에 인덱싱으로 제거해주자.

In [85]:

col_list = col_list[1:]

In [86]:

col_list

Out[86]:

['gender',
 'Partner',
 'Dependents',
 'PhoneService',
 'MultipleLines',
 'InternetService',
 'OnlineSecurity',
 'OnlineBackup',
 'DeviceProtection',
 'TechSupport',
 'StreamingTV',
 'StreamingMovies',
 'Contract',
 'PaperlessBilling',
 'PaymentMethod',
 'Churn']

이제 우리가 원하는 컬럼들만 모아졌다.

In [88]:

data = pd.get_dummies(data, columns=col_list, drop_first = True)

In [89]:

data

Out[89]:

	customerID	SeniorCitizen	tenure	MonthlyCharges	TotalCharges	gender_Male	Partner_Yes	Dependents_Yes	PhoneService_Yes	MultipleLines_No phone service	MultipleLines_Yes	InternetService_Fiber optic	InternetService_No	OnlineSecurity_No internet service	OnlineSecurity_Yes	...	DeviceProtection_No internet service	DeviceProtection_Yes	TechSupport_No internet service	TechSupport_Yes	StreamingTV_No internet service	StreamingTV_Yes	StreamingMovies_No internet service	StreamingMovies_Yes	Contract_One year	Contract_Two year	PaperlessBilling_Yes	PaymentMethod_Credit card (automatic)	PaymentMethod_Electronic check	PaymentMethod_Mailed check	Churn_Yes
0	7590-VHVEG	0	1	29.85	29.85	0	1	0	0	1	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0	1	0	1	0	0
1	5575-GNVDE	0	34	56.95	1889.50	1	0	0	1	0	0	0	0	0	1	...	0	1	0	0	0	0	0	0	1	0	0	0	0	1	0
2	3668-QPYBK	0	2	53.85	108.15	1	0	0	1	0	0	0	0	0	1	...	0	0	0	0	0	0	0	0	0	0	1	0	0	1	1
3	7795-CFOCW	0	45	42.30	1840.75	1	0	0	0	1	0	0	0	0	1	...	0	1	0	1	0	0	0	0	1	0	0	0	0	0	0
4	9237-HQITU	0	2	70.70	151.65	0	0	0	1	0	0	1	0	0	0	...	0	0	0	0	0	0	0	0	0	0	1	0	1	0	1
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
7038	6840-RESVB	0	24	84.80	1990.50	1	1	1	1	0	1	0	0	0	1	...	0	1	0	1	0	1	0	1	1	0	1	0	0	1	0
7039	2234-XADUH	0	72	103.20	7362.90	0	1	1	1	0	1	1	0	0	0	...	0	1	0	0	0	1	0	1	1	0	1	1	0	0	0
7040	4801-JZAZL	0	11	29.60	346.45	0	1	1	0	1	0	0	0	0	1	...	0	0	0	0	0	0	0	0	0	0	1	0	1	0	0
7041	8361-LTMKD	1	4	74.40	306.60	1	1	0	1	0	1	1	0	0	0	...	0	0	0	0	0	0	0	0	0	0	1	0	0	1	1
7042	3186-AJIEK	0	66	105.65	6844.50	1	0	0	1	0	0	1	0	0	1	...	0	1	0	1	0	1	0	1	0	1	1	0	0	0	0

7043 rows × 32 columns

07. Missing Value 확인 및 처리¶

이번엔 결측치가 있는지 확인해보자.

In [90]:

data.isna().sum()

Out[90]:

customerID                                0
SeniorCitizen                             0
tenure                                    0
MonthlyCharges                            0
TotalCharges                             11
gender_Male                               0
Partner_Yes                               0
Dependents_Yes                            0
PhoneService_Yes                          0
MultipleLines_No phone service            0
MultipleLines_Yes                         0
InternetService_Fiber optic               0
InternetService_No                        0
OnlineSecurity_No internet service        0
OnlineSecurity_Yes                        0
OnlineBackup_No internet service          0
OnlineBackup_Yes                          0
DeviceProtection_No internet service      0
DeviceProtection_Yes                      0
TechSupport_No internet service           0
TechSupport_Yes                           0
StreamingTV_No internet service           0
StreamingTV_Yes                           0
StreamingMovies_No internet service       0
StreamingMovies_Yes                       0
Contract_One year                         0
Contract_Two year                         0
PaperlessBilling_Yes                      0
PaymentMethod_Credit card (automatic)     0
PaymentMethod_Electronic check            0
PaymentMethod_Mailed check                0
Churn_Yes                                 0
dtype: int64

TotalCharges에 11개가 있는것이 확인된다. 이것을 mean이나 median으로 채워넣어 주자.

In [92]:

data['TotalCharges'].mean()

Out[92]:

2283.3004408418656

In [93]:

data['TotalCharges'].median()

Out[93]:

1397.475

평균과 중간값이 차이가 많이나서 distplot으로 분포를 확인해보자.

In [94]:

sns.distplot(data['TotalCharges'])

/home/jaeyoon89/.local/lib/python3.6/site-packages/seaborn/distributions.py:2557: FutureWarning: `distplot` is a deprecated function and will be removed in a future version. Please adapt your code to use either `displot` (a figure-level function with similar flexibility) or `histplot` (an axes-level function for histograms).
  warnings.warn(msg, FutureWarning)

Out[94]:

<AxesSubplot:xlabel='TotalCharges', ylabel='Density'>

mean값을 쓰면 너무 크기 때문에 이번엔 median 값을 결측치에 채워 넣어주는것이 좋아보인다.

In [96]:

data['TotalCharges'] = data['TotalCharges'].fillna(data['TotalCharges'].median())

In [97]:

data.isna().sum()

Out[97]:

customerID                               0
SeniorCitizen                            0
tenure                                   0
MonthlyCharges                           0
TotalCharges                             0
gender_Male                              0
Partner_Yes                              0
Dependents_Yes                           0
PhoneService_Yes                         0
MultipleLines_No phone service           0
MultipleLines_Yes                        0
InternetService_Fiber optic              0
InternetService_No                       0
OnlineSecurity_No internet service       0
OnlineSecurity_Yes                       0
OnlineBackup_No internet service         0
OnlineBackup_Yes                         0
DeviceProtection_No internet service     0
DeviceProtection_Yes                     0
TechSupport_No internet service          0
TechSupport_Yes                          0
StreamingTV_No internet service          0
StreamingTV_Yes                          0
StreamingMovies_No internet service      0
StreamingMovies_Yes                      0
Contract_One year                        0
Contract_Two year                        0
PaperlessBilling_Yes                     0
PaymentMethod_Credit card (automatic)    0
PaymentMethod_Electronic check           0
PaymentMethod_Mailed check               0
Churn_Yes                                0
dtype: int64

위와 같이 결측치가 모두 채워졌다.

08. Scaling¶

데이터에서 스케일은 데이터 값의 크기라고 생각하면 된다. 이 스케일이 다르면 분석에 큰 지장을 준다. 예를 들면 월급과 몸무게만 비교해 보아도 스케일이 많이 다르다는 것을 알 수 있다.

스케일링을 위한 모듈을 불러오자.

In [99]:

from sklearn.preprocessing import StandardScaler, MinMaxScaler, RobustScaler

스케일러를 사용하는 방법은 훈련 세트로 학습하고 테스트 데이터로 예측하는 모습과 비슷하다. 하지만 스케일러는 훈련 데이터와 테스트 데이터를 별도로 만들지 않고 기존 데이터로 학습을 시킨 뒤 학습된 값을 통해 데이터를 변형 시켜준다.

1. minmax 스케일러¶

In [100]:

minmax = MinMaxScaler()

customerID 컬럼은 string 형식이라 drop 시켜준다.

In [104]:

data.drop('customerID', axis = 1, inplace=True)

In [107]:

data.head(3)

Out[107]:

	tenure	MonthlyCharges	TotalCharges	gender_Male	Partner_Yes	PhoneService_Yes	MultipleLines_No phone service	OnlineSecurity_Yes	...	DeviceProtection_Yes	Contract_One year	PaperlessBilling_Yes	PaymentMethod_Electronic check	PaymentMethod_Mailed check	Churn_Yes
0	1	29.85	29.85	0	1	0	1	0	...	0	0	1	1	0	0
1	34	56.95	1889.50	1	0	1	0	1	...	1	1	0	0	1	0
2	2	53.85	108.15	1	0	1	0	1	...	0	0	1	0	1	1

3 rows × 31 columns

In [105]:

minmax.fit(data)

Out[105]:

MinMaxScaler()

mixmax에 fit 메서드로 data를 넣어준다.

In [109]:

scaled_data = minmax.transform(data)

In [112]:

data.columns

Out[112]:

Index(['SeniorCitizen', 'tenure', 'MonthlyCharges', 'TotalCharges',
       'gender_Male', 'Partner_Yes', 'Dependents_Yes', 'PhoneService_Yes',
       'MultipleLines_No phone service', 'MultipleLines_Yes',
       'InternetService_Fiber optic', 'InternetService_No',
       'OnlineSecurity_No internet service', 'OnlineSecurity_Yes',
       'OnlineBackup_No internet service', 'OnlineBackup_Yes',
       'DeviceProtection_No internet service', 'DeviceProtection_Yes',
       'TechSupport_No internet service', 'TechSupport_Yes',
       'StreamingTV_No internet service', 'StreamingTV_Yes',
       'StreamingMovies_No internet service', 'StreamingMovies_Yes',
       'Contract_One year', 'Contract_Two year', 'PaperlessBilling_Yes',
       'PaymentMethod_Credit card (automatic)',
       'PaymentMethod_Electronic check', 'PaymentMethod_Mailed check',
       'Churn_Yes'],
      dtype='object')

보기 좋게 데이터프레임 형식으로 바꾸어주자.

In [113]:

pd.DataFrame(scaled_data, columns = data.columns)

Out[113]:

	SeniorCitizen	tenure	MonthlyCharges	TotalCharges	gender_Male	Partner_Yes	Dependents_Yes	PhoneService_Yes	MultipleLines_No phone service	MultipleLines_Yes	InternetService_Fiber optic	InternetService_No	OnlineSecurity_No internet service	OnlineSecurity_Yes	OnlineBackup_No internet service	...	DeviceProtection_No internet service	DeviceProtection_Yes	TechSupport_No internet service	TechSupport_Yes	StreamingTV_No internet service	StreamingTV_Yes	StreamingMovies_No internet service	StreamingMovies_Yes	Contract_One year	Contract_Two year	PaperlessBilling_Yes	PaymentMethod_Credit card (automatic)	PaymentMethod_Electronic check	PaymentMethod_Mailed check	Churn_Yes
0	0.0	0.013889	0.115423	0.001275	0.0	1.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	...	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0	1.0	0.0	0.0
1	0.0	0.472222	0.385075	0.215867	1.0	0.0	0.0	1.0	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	0.0	0.0	1.0	0.0	0.0	0.0	0.0	1.0	0.0
2	0.0	0.027778	0.354229	0.010310	1.0	0.0	0.0	1.0	0.0	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	0.0	0.0	0.0	1.0	0.0	0.0	1.0	1.0
3	0.0	0.625000	0.239303	0.210241	1.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	1.0	0.0	...	0.0	1.0	0.0	1.0	0.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0
4	0.0	0.027778	0.521891	0.015330	0.0	0.0	0.0	1.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	...	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0	1.0	0.0	1.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
7038	0.0	0.333333	0.662189	0.227521	1.0	1.0	1.0	1.0	0.0	1.0	0.0	0.0	0.0	1.0	0.0	...	0.0	1.0	0.0	1.0	0.0	1.0	0.0	1.0	1.0	0.0	1.0	0.0	0.0	1.0	0.0
7039	0.0	1.000000	0.845274	0.847461	0.0	1.0	1.0	1.0	0.0	1.0	1.0	0.0	0.0	0.0	0.0	...	0.0	1.0	0.0	0.0	0.0	1.0	0.0	1.0	1.0	0.0	1.0	1.0	0.0	0.0	0.0
7040	0.0	0.152778	0.112935	0.037809	0.0	1.0	1.0	0.0	1.0	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	0.0	0.0	0.0	1.0	0.0	1.0	0.0	0.0
7041	1.0	0.055556	0.558706	0.033210	1.0	1.0	0.0	1.0	0.0	1.0	1.0	0.0	0.0	0.0	0.0	...	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0	0.0	1.0	1.0
7042	0.0	0.916667	0.869652	0.787641	1.0	0.0	0.0	1.0	0.0	0.0	1.0	0.0	0.0	1.0	0.0	...	0.0	1.0	0.0	1.0	0.0	1.0	0.0	1.0	0.0	1.0	1.0	0.0	0.0	0.0	0.0

7043 rows × 31 columns

minmax 스케일러를 사용하면 0 ~ 1 사이의 값으로 스케일이 바뀐다. 0과 1로 되어있는 컬럼들은 그대로 나오는 것을 볼 수 있다.

2.standard 스케일러¶

In [114]:

standard = StandardScaler()

스케일링을 할 때는 종속변수는 빼고 스케일링을 해주는 것이 좋다. 종속변수는 영향을 받지 않고 예측이 되어야 하기 때문이다.

In [121]:

standard.fit(data.drop('Churn_Yes', axis = 1))

Out[121]:

StandardScaler()

In [124]:

standard_st = standard.transform(data.drop('Churn_Yes', axis = 1))

In [125]:

pd.DataFrame(standard_st, columns = data.drop('Churn_Yes', axis = 1).columns)

Out[125]:

	SeniorCitizen	tenure	MonthlyCharges	TotalCharges	gender_Male	Partner_Yes	Dependents_Yes	PhoneService_Yes	MultipleLines_No phone service	MultipleLines_Yes	InternetService_Fiber optic	InternetService_No	OnlineSecurity_No internet service	OnlineSecurity_Yes	OnlineBackup_No internet service	OnlineBackup_Yes	DeviceProtection_No internet service	DeviceProtection_Yes	TechSupport_No internet service	TechSupport_Yes	StreamingTV_No internet service	StreamingTV_Yes	StreamingMovies_No internet service	StreamingMovies_Yes	Contract_One year	Contract_Two year	PaperlessBilling_Yes	PaymentMethod_Credit card (automatic)	PaymentMethod_Electronic check	PaymentMethod_Mailed check
0	-0.439916	-1.277445	-1.160323	-0.994242	-1.009559	1.034530	-0.654012	-3.054010	3.054010	-0.854176	-0.885660	-0.525927	-0.525927	-0.633933	-0.525927	1.378241	-0.525927	-0.723968	-0.525927	-0.639439	-0.525927	-0.790132	-0.525927	-0.796070	-0.514249	-0.562975	0.829798	-0.525047	1.406418	-0.544807
1	-0.439916	0.066327	-0.259629	-0.173244	0.990532	-0.966622	-0.654012	0.327438	-0.327438	-0.854176	-0.885660	-0.525927	-0.525927	1.577454	-0.525927	-0.725563	-0.525927	1.381277	-0.525927	-0.639439	-0.525927	-0.790132	-0.525927	-0.796070	1.944582	-0.562975	-1.205113	-0.525047	-0.711026	1.835513
2	-0.439916	-1.236724	-0.362660	-0.959674	0.990532	-0.966622	-0.654012	0.327438	-0.327438	-0.854176	-0.885660	-0.525927	-0.525927	1.577454	-0.525927	1.378241	-0.525927	-0.723968	-0.525927	-0.639439	-0.525927	-0.790132	-0.525927	-0.796070	-0.514249	-0.562975	0.829798	-0.525047	-0.711026	1.835513
3	-0.439916	0.514251	-0.746535	-0.194766	0.990532	-0.966622	-0.654012	-3.054010	3.054010	-0.854176	-0.885660	-0.525927	-0.525927	1.577454	-0.525927	-0.725563	-0.525927	1.381277	-0.525927	1.563872	-0.525927	-0.790132	-0.525927	-0.796070	1.944582	-0.562975	-1.205113	-0.525047	-0.711026	-0.544807
4	-0.439916	-1.236724	0.197365	-0.940470	-1.009559	-0.966622	-0.654012	0.327438	-0.327438	-0.854176	1.129102	-0.525927	-0.525927	-0.633933	-0.525927	-0.725563	-0.525927	-0.723968	-0.525927	-0.639439	-0.525927	-0.790132	-0.525927	-0.796070	-0.514249	-0.562975	0.829798	-0.525047	1.406418	-0.544807
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
7038	-0.439916	-0.340876	0.665992	-0.128655	0.990532	1.034530	1.529024	0.327438	-0.327438	1.170719	-0.885660	-0.525927	-0.525927	1.577454	-0.525927	-0.725563	-0.525927	1.381277	-0.525927	1.563872	-0.525927	1.265612	-0.525927	1.256171	1.944582	-0.562975	0.829798	-0.525047	-0.711026	1.835513
7039	-0.439916	1.613701	1.277533	2.243151	-1.009559	1.034530	1.529024	0.327438	-0.327438	1.170719	1.129102	-0.525927	-0.525927	-0.633933	-0.525927	1.378241	-0.525927	1.381277	-0.525927	-0.639439	-0.525927	1.265612	-0.525927	1.256171	1.944582	-0.562975	0.829798	1.904590	-0.711026	-0.544807
7040	-0.439916	-0.870241	-1.168632	-0.854469	-1.009559	1.034530	1.529024	-3.054010	3.054010	-0.854176	-0.885660	-0.525927	-0.525927	1.577454	-0.525927	-0.725563	-0.525927	-0.723968	-0.525927	-0.639439	-0.525927	-0.790132	-0.525927	-0.796070	-0.514249	-0.562975	0.829798	-0.525047	1.406418	-0.544807
7041	2.273159	-1.155283	0.320338	-0.872062	0.990532	1.034530	-0.654012	0.327438	-0.327438	1.170719	1.129102	-0.525927	-0.525927	-0.633933	-0.525927	-0.725563	-0.525927	-0.723968	-0.525927	-0.639439	-0.525927	-0.790132	-0.525927	-0.796070	-0.514249	-0.562975	0.829798	-0.525047	-0.711026	1.835513
7042	-0.439916	1.369379	1.358961	2.014288	0.990532	-0.966622	-0.654012	0.327438	-0.327438	-0.854176	1.129102	-0.525927	-0.525927	1.577454	-0.525927	-0.725563	-0.525927	1.381277	-0.525927	1.563872	-0.525927	1.265612	-0.525927	1.256171	-0.514249	1.776278	0.829798	-0.525047	-0.711026	-0.544807

7043 rows × 30 columns

standard 스케일러를 사용하면 이진 밸류들이 0 또는 1로 나오지 않는다.

3.Robust 스케일러¶

In [126]:

rob = RobustScaler()

In [127]:

rob.fit(data.drop('Churn_Yes', axis = 1))

Out[127]:

RobustScaler()

In [129]:

scaled_rob = rob.transform(data.drop('Churn_Yes', axis = 1))

In [131]:

pd.DataFrame(scaled_rob, columns = data.drop('Churn_Yes', axis = 1).columns)

Out[131]:

	SeniorCitizen	tenure	MonthlyCharges	TotalCharges	gender_Male	Partner_Yes	Dependents_Yes	PhoneService_Yes	MultipleLines_No phone service	MultipleLines_Yes	InternetService_Fiber optic	InternetService_No	OnlineSecurity_No internet service	OnlineSecurity_Yes	OnlineBackup_No internet service	OnlineBackup_Yes	DeviceProtection_No internet service	DeviceProtection_Yes	TechSupport_No internet service	TechSupport_Yes	StreamingTV_No internet service	StreamingTV_Yes	StreamingMovies_No internet service	StreamingMovies_Yes	Contract_One year	Contract_Two year	PaperlessBilling_Yes	PaymentMethod_Credit card (automatic)	PaymentMethod_Electronic check	PaymentMethod_Mailed check
0	0.0	-0.608696	-0.745170	-0.404100	-1.0	1.0	0.0	-1.0	1.0	0.0	0.0	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	0.0	0.0	0.0	0.0	1.0	0.0
1	0.0	0.108696	-0.246550	0.145381	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0	-1.0	0.0	0.0	1.0
2	0.0	-0.586957	-0.303588	-0.380964	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0
3	0.0	0.347826	-0.516099	0.130977	0.0	0.0	0.0	-1.0	1.0	0.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0	1.0	0.0	1.0	0.0	0.0	0.0	0.0	1.0	0.0	-1.0	0.0	0.0	0.0
4	0.0	-0.586957	0.006440	-0.368111	-1.0	0.0	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	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
7038	0.0	-0.108696	0.265869	0.175224	0.0	1.0	1.0	0.0	0.0	1.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0	1.0	0.0	1.0	0.0	1.0	0.0	1.0	1.0	0.0	0.0	0.0	0.0	1.0
7039	0.0	0.934783	0.604416	1.762637	-1.0	1.0	1.0	0.0	0.0	1.0	1.0	0.0	0.0	0.0	0.0	1.0	0.0	1.0	0.0	0.0	0.0	1.0	0.0	1.0	1.0	0.0	0.0	1.0	0.0	0.0
7040	0.0	-0.391304	-0.749770	-0.310552	-1.0	1.0	1.0	-1.0	1.0	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	0.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0
7041	1.0	-0.543478	0.074517	-0.322327	0.0	1.0	0.0	0.0	0.0	1.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0
7042	0.0	0.804348	0.649494	1.609463	0.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0	0.0	1.0	0.0	0.0	0.0	1.0	0.0	1.0	0.0	1.0	0.0	1.0	0.0	1.0	0.0	0.0	0.0	0.0

7043 rows × 30 columns

In [142]:

scaled_data = pd.DataFrame(scaled_data, columns = data.columns)

In [145]:

scaled_data

Out[145]:

	SeniorCitizen	tenure	MonthlyCharges	TotalCharges	gender_Male	Partner_Yes	Dependents_Yes	PhoneService_Yes	MultipleLines_No phone service	MultipleLines_Yes	InternetService_Fiber optic	InternetService_No	OnlineSecurity_No internet service	OnlineSecurity_Yes	OnlineBackup_No internet service	...	DeviceProtection_No internet service	DeviceProtection_Yes	TechSupport_No internet service	TechSupport_Yes	StreamingTV_No internet service	StreamingTV_Yes	StreamingMovies_No internet service	StreamingMovies_Yes	Contract_One year	Contract_Two year	PaperlessBilling_Yes	PaymentMethod_Credit card (automatic)	PaymentMethod_Electronic check	PaymentMethod_Mailed check	Churn_Yes
0	0.0	0.013889	0.115423	0.001275	0.0	1.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	...	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0	1.0	0.0	0.0
1	0.0	0.472222	0.385075	0.215867	1.0	0.0	0.0	1.0	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	0.0	0.0	1.0	0.0	0.0	0.0	0.0	1.0	0.0
2	0.0	0.027778	0.354229	0.010310	1.0	0.0	0.0	1.0	0.0	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	0.0	0.0	0.0	1.0	0.0	0.0	1.0	1.0
3	0.0	0.625000	0.239303	0.210241	1.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	1.0	0.0	...	0.0	1.0	0.0	1.0	0.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0
4	0.0	0.027778	0.521891	0.015330	0.0	0.0	0.0	1.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	...	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0	1.0	0.0	1.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
7038	0.0	0.333333	0.662189	0.227521	1.0	1.0	1.0	1.0	0.0	1.0	0.0	0.0	0.0	1.0	0.0	...	0.0	1.0	0.0	1.0	0.0	1.0	0.0	1.0	1.0	0.0	1.0	0.0	0.0	1.0	0.0
7039	0.0	1.000000	0.845274	0.847461	0.0	1.0	1.0	1.0	0.0	1.0	1.0	0.0	0.0	0.0	0.0	...	0.0	1.0	0.0	0.0	0.0	1.0	0.0	1.0	1.0	0.0	1.0	1.0	0.0	0.0	0.0
7040	0.0	0.152778	0.112935	0.037809	0.0	1.0	1.0	0.0	1.0	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	0.0	0.0	0.0	1.0	0.0	1.0	0.0	0.0
7041	1.0	0.055556	0.558706	0.033210	1.0	1.0	0.0	1.0	0.0	1.0	1.0	0.0	0.0	0.0	0.0	...	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0	0.0	1.0	1.0
7042	0.0	0.916667	0.869652	0.787641	1.0	0.0	0.0	1.0	0.0	0.0	1.0	0.0	0.0	1.0	0.0	...	0.0	1.0	0.0	1.0	0.0	1.0	0.0	1.0	0.0	1.0	1.0	0.0	0.0	0.0	0.0

7043 rows × 31 columns

이번 분석에서는 mixmax 스케일러를 사용한 scaled_data를 사용할 것이다.

09. KNN 모델 만들기¶

데이터를 훈련 세트와 테스트 세트로 나누기위한 모듈 및 코드를 입력하자.

In [143]:

from sklearn.model_selection import train_test_split

In [147]:

X = scaled_data.drop('Churn_Yes', axis = 1 )
y = scaled_data['Churn_Yes']

In [148]:

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.3, random_state=100)

KNN 머신러닝을 사용하기 위한 다음 코드를 입력하자.

In [150]:

from sklearn.neighbors import KNeighborsClassifier

In [152]:

knn = KNeighborsClassifier(n_neighbors = 10)

n_neighbors = 10 는 주변의 5개의 데이터를 바탕으로 새로운 데이터의 클래스를 결정한다는 의미이다.

In [153]:

knn.fit(X_train, y_train)

Out[153]:

KNeighborsClassifier(n_neighbors=10)

In [155]:

pred = knn.predict(X_test)

In [156]:

pd.DataFrame(pred, y_test)

Out[156]:

	0
Churn_Yes
0.0	0.0
0.0	0.0
0.0	0.0
0.0	0.0
0.0	0.0
...	...
1.0	1.0
0.0	0.0
0.0	0.0
0.0	0.0
0.0	0.0

2113 rows × 1 columns

이렇게 출력하면 y_test 값이 인덱스로 가기 때문에 딕셔너리라는 데이터 포맷을 이용하여 보기좋게 다시 출력해보자.

In [158]:

pd.DataFrame({'acutal_value' : y_test, 'pred_value' : pred})

Out[158]:

	acutal_value	pred_value
4880	0.0	0.0
1541	0.0	0.0
1289	0.0	0.0
5745	0.0	0.0
4873	0.0	0.0
...	...	...
1285	1.0	1.0
5092	0.0	0.0
5837	0.0	0.0
3597	0.0	0.0
3625	0.0	0.0

2113 rows × 2 columns

In [159]:

pd.DataFrame({'acutal_value' : y_test, 'pred_value' : pred}).head(30)

Out[159]:

	acutal_value	pred_value
4880	0.0	0.0
1541	0.0	0.0
1289	0.0	0.0
5745	0.0	0.0
4873	0.0	0.0
4168	0.0	0.0
1557	0.0	0.0
2892	0.0	0.0
664	0.0	0.0
1588	0.0	0.0
1338	1.0	0.0
6000	0.0	0.0
2310	0.0	0.0
3294	1.0	1.0
290	1.0	1.0
2505	0.0	0.0
3171	0.0	0.0
1366	1.0	1.0
6560	0.0	0.0
2420	0.0	0.0
5210	1.0	0.0
2836	0.0	1.0
1325	1.0	1.0
4900	1.0	0.0
6311	0.0	0.0
1025	0.0	0.0
2031	0.0	0.0
4459	1.0	1.0
5324	0.0	0.0
3441	0.0	0.0

10. 모델을 활용하여 예측하고 평가하기¶

예측을 위한 모듈을 불러오자.

In [160]:

from sklearn.metrics import accuracy_score, confusion_matrix

In [161]:

accuracy_score(y_test, pred)

Out[161]:

0.7581637482252721

In [163]:

confusion_matrix(y_test, pred)

Out[163]:

array([[1353,  194],
       [ 317,  249]])

생각보다 에러가 많이 나왔다. 그럼 어떻게 하면 최적의 neighbors 갯수를 정의할 수 있을까? for문을 이용해 neighbors의 갯수를 1 ~ 100 까지 넣어보자.

In [166]:

error_list = []

In [170]:

for i in range(1,101):
    knn = KNeighborsClassifier(n_neighbors = i)
    knn.fit(X_train, y_train)
    pred = knn.predict(X_test)
    error_list.append(accuracy_score(y_test, pred))

In [171]:

error_list

Out[171]:

[0.7136772361571225,
 0.7491717936583058,
 0.7439659252247989,
 0.7557974443918599,
 0.7482252721249408,
 0.7581637482252721,
 0.7458589682915286,
 0.759110269758637,
 0.7529578797917653,
 0.7581637482252721,
 0.7624230951254141,
 0.7610033128253668,
 0.7600567912920019,
 0.7671557027922385,
 0.7662091812588736,
 0.7681022243256034,
 0.7690487458589683,
 0.7728348319924279,
 0.7681022243256034,
 0.7723615712257453,
 0.7681022243256034,
 0.7714150496923805,
 0.7699952673923331,
 0.7652626597255088,
 0.767628963558921,
 0.7714150496923805,
 0.7733080927591103,
 0.7728348319924279,
 0.7733080927591103,
 0.7714150496923805,
 0.7699952673923331,
 0.767628963558921,
 0.7709417889256981,
 0.7704685281590156,
 0.7742546142924751,
 0.7737813535257927,
 0.7733080927591103,
 0.77520113582584,
 0.7718883104590629,
 0.7737813535257927,
 0.7723615712257453,
 0.7775674396592522,
 0.7766209181258874,
 0.7747278750591576,
 0.7756743965925225,
 0.7766209181258874,
 0.7775674396592522,
 0.7775674396592522,
 0.7742546142924751,
 0.7709417889256981,
 0.7714150496923805,
 0.7756743965925225,
 0.77520113582584,
 0.780407004259347,
 0.7742546142924751,
 0.7770941788925698,
 0.7761476573592049,
 0.77520113582584,
 0.7747278750591576,
 0.7699952673923331,
 0.7704685281590156,
 0.7695220066256507,
 0.7709417889256981,
 0.7671557027922385,
 0.7690487458589683,
 0.7681022243256034,
 0.7709417889256981,
 0.7728348319924279,
 0.7709417889256981,
 0.7695220066256507,
 0.7742546142924751,
 0.7714150496923805,
 0.7709417889256981,
 0.7718883104590629,
 0.7690487458589683,
 0.7723615712257453,
 0.7718883104590629,
 0.7742546142924751,
 0.7718883104590629,
 0.7723615712257453,
 0.7733080927591103,
 0.7690487458589683,
 0.7709417889256981,
 0.7714150496923805,
 0.7685754850922859,
 0.7652626597255088,
 0.7695220066256507,
 0.7685754850922859,
 0.7681022243256034,
 0.7709417889256981,
 0.7690487458589683,
 0.7699952673923331,
 0.7685754850922859,
 0.7718883104590629,
 0.7666824420255561,
 0.7690487458589683,
 0.767628963558921,
 0.7695220066256507,
 0.7681022243256034,
 0.7690487458589683]

이것을 시각화 해보자.

In [176]:

plt.figure(figsize=(20,10))
sns.lineplot(x = range(1,101), y = error_list, marker = 'o', markersize=10, markerfacecolor='red')

Out[176]:

<AxesSubplot:>

위 그래프로 n_neighbors가 어느정도일 때 accuracy 스코어가 가장 높은지 대략적으로 볼 수 있다. 코딩을 통해 가장 최고점의 포인트의 위치를 알아보자.

In [178]:

max(error_list)

Out[178]:

0.780407004259347

In [179]:

error_list.index(max(error_list))

Out[179]:

인덱스는 0부터 시작하기 때문에 53이라는 숫자가 나왔지만 실제로는 54번째가 가장 큰 accuracy가 나왔다는 것을 알 수 있다.

그리고 다음과 같이 넘파이를 이용하면 좀 더 쉽게 max값과 min 값을 알 수 있다.

In [184]:

np.array(error_list).argmax()

Out[184]:

54번째가 가장 큰 accuray가 나왔기 때문에 n_neighbors에 54를 넣어 모델링을 다시 해보자.

In [185]:

knn = KNeighborsClassifier(n_neighbors = 54)

In [186]:

knn.fit(X_train, y_train)

Out[186]:

KNeighborsClassifier(n_neighbors=54)

In [187]:

pred = knn.predict(X_test)

In [188]:

accuracy_score(y_test, pred)

Out[188]:

0.780407004259347

In [189]:

confusion_matrix(y_test, pred)

Out[189]:

array([[1332,  215],
       [ 249,  317]])

n_neighbors를 5로 했을때 보다 정확도가 조금 더 좋아진 것을 볼 수 있다.

출처 : 패스트캠퍼스

'패스트캠퍼스 스터디' 카테고리의 다른 글

패스트캠퍼스study(ch.03 광고 반응률 예측) (0)	2021.06.14
패스트캠퍼스study(ch.02 고객별 연간 지출액 예측) (0)	2021.06.09

공지사항

최근에 올라온 글

최근에 달린 댓글

Total

Today

Yesterday

링크

TAG more

글 보관함

speed&direction