【如何R实现聚类算法及3D可视化展示】：kmeans聚类方法在用户价值细分上的应用

本文介绍了使用R语言的kmeans聚类算法进行用户价值细分，通过RFM（Recency, Frequency, Monetary）模型对用户行为进行分析。首先读入并处理数据，包括时间间隔计算、去除相关性和异常值。接着，应用kmeans聚类得到结果，并利用3D可视化展示聚类效果，从而得出实用的用户细分结论。" 131408864,7242739,设计模式全解析：23种GOF模式与UML实战,"['设计模式', 'UML']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Author : QQ Zhou

大家应该很熟悉RFM模型，这是在做用户价值细分常用的方法。主要涵盖的指标有R（Recency）;消费频率（Frequency）;消费金额(Monetary)；RFM模型在用户价值细分上具有很强的解释性和可操作性。但以下为了展示R是如何聚类算法及可视化。我们姑且用R、F、M三个指标聚类得出具有实用性和解释性的结论。

数据见文章最后。

步骤一：读入数据，查看数据。

#在此，我将原始数据存放在桌面，命名为customer_data.csv
#读入数据
customer_data=read.csv("C:\\Users\\Administrator\\Desktop\\customer_data.csv",header=TRUE)
#更改名称
names(customer_data)<-c("cust_id","total_amt","cnt","datetime")
#cust_id为用户id,total_amt是用户在指定时间内的总消费金额,cnt是用户在制定时间内的总消费次数,datetime为用户最近一次购买商品的时间
#查看数据
head(customer_data)

结果：

步骤二：数据处理

原始数据做变换，比如在此我们需要将最近一次访问时间（datetime）处理成最近一次访问时间到当前的时间间隔，即代表用户目前是否活跃
去变量之间的相关性（线性变换、主成分分析等）
去异常值

#原始数据变换
#将最近一次访问时间处理成最近一次访问时间到当前的时间间隔，代表该用户是否最近有购买记录（即目前是否活跃）
customer_data$datetime<-as.character.Date(customer_data$datetime)
customer_data$tm_intrvl=as.numeric(max(as.Date(customer_data$datetime,format="%Y%m%d"))-as.Date(customer_data$datetime,format="%Y%m%d"))+1
#去变量之间的相关性（在此做线性变换）
#先检查是否有相关性
cor(customer_data[,c("total_amt","cnt","tm_intrvl")])
#除去变量的相关性
customer_data$avg_amt<-round(customer_data$total_amt/customer_data$