Feature Engineering

Import des outils / jeu de données

import pandas as pd
import seaborn as sns

from src.config import data_folder
from src.utils import init_notebook

init_notebook()

df = pd.read_csv(
    f"{data_folder}/data-cleaned.csv", sep=",", index_col="ID", parse_dates=True
)

df.head()

	Year_Birth	Education	Marital_Status	Income	Kidhome	Teenhome	Dt_Customer	Recency	MntWines	MntFruits	...	NumWebPurchases	NumCatalogPurchases	NumStorePurchases	NumWebVisitsMonth	AcceptedCmp3	AcceptedCmp4	AcceptedCmp5	AcceptedCmp1	AcceptedCmp2	Response
ID
5524	1957	Graduation	Single	58138.0	0	0	2012-09-04	58	635	88	...	8	10	4	7	0	0	0	0	0	1
2174	1954	Graduation	Single	46344.0	1	1	2014-03-08	38	11	1	...	1	1	2	5	0	0	0	0	0	0
4141	1965	Graduation	Together	71613.0	0	0	2013-08-21	26	426	49	...	8	2	10	4	0	0	0	0	0	0
6182	1984	Graduation	Together	26646.0	1	0	2014-02-10	26	11	4	...	2	0	4	6	0	0	0	0	0	0
5324	1981	PhD	Married	58293.0	1	0	2014-01-19	94	173	43	...	5	3	6	5	0	0	0	0	0	0

5 rows × 25 columns

Création de variables

Tableau. Variables ajoutées

| :— | :— | | NbAcceptedCampaigns | Nombre de campagnes marketing acceptées (hors variable cible) | | HasAcceptedCampaigns | Le client a déjà accepté une campagne (1) ou non (0) | | NbChildren | Nombre d’enfants au total (bas âge + adolescent) |

## todo : faire une var somme des achats sur le web
## todo : faire un client type par type d'achat (web / magasin) => est-ce que les gens qui achètent en web / magasin sont différents ?
## todo : créer une variable duréeClient qui dit depuis quand le client est inscrit

## todo: commenter la démarche

df["NbAcceptedCampaigns"] = 0

for i in range(1, 6):
    df["NbAcceptedCampaigns"] += df[f"AcceptedCmp{i}"].astype(int)

sns.histplot(df["NbAcceptedCampaigns"], discrete=True)

<Axes: xlabel='NbAcceptedCampaigns', ylabel='Count'>

df["HasAcceptedCampaigns"] = df["NbAcceptedCampaigns"] > 0

sns.histplot(df["HasAcceptedCampaigns"].astype(str))

<Axes: xlabel='HasAcceptedCampaigns', ylabel='Count'>

df_clients = df[df["HasAcceptedCampaigns"]]
df_not_clients = df[~df["HasAcceptedCampaigns"]]

## todo: vérifier si par exemple Kids et Teen apportent des informations différentes => si les deux sont complémentaires, on les laisse / sinon on les supprime au profit de notre nouvelle variable

df[["Kidhome", "Teenhome"]].value_counts().plot(kind="bar")

<Axes: xlabel='Kidhome,Teenhome'>

df["NbChildren"] = df["Kidhome"].astype(int) + df["Teenhome"].astype(int)

sns.histplot(df["NbChildren"])

<Axes: xlabel='NbChildren', ylabel='Count'>

## todo: créer une variable "NbAcceptedCampaignsWithResponse", qui contient donc la 6ème campagne marketing => l'objectif est de clusteriser les gens en fonction de "à quel point ils sont marketables" => c'est-à-dire, on présente nos résultats en disant sur qui il vaut mieux se concentrer pour faire des pubs

## todo: créer une variable "RevenuePerClient" => le revenu rapporté par chaque client => ce serait plutôt juste une variable type "KPI" à afficher dans un dashboard non ?

## todo: de même, créer une variable "RevenueWinePerClient" => le revenu de vin pour chaque client, et faire de même pour chaque produit => par la suite on pourra faire des représentations "quel client rapporte le plus de vin"

Sauvegarde du Dataframe

df.to_csv(f"{data_folder}/data-cleaned-feature-engineering.csv")