Python 机器学习入门实战：客户流失预测项目全教程

前言

机器学习作为人工智能的核心分支，已广泛应用于金融、医疗、互联网等多个领域。本教程将通过一个客户流失预测实战项目，带大家从零掌握 Python 机器学习的完整流程。项目采用公开的电信客户数据集，通过数据预处理、特征工程、模型训练与评估等步骤，构建能够预测客户是否会流失的机器学习模型。

教程适合 Python 入门者、机器学习新手，无需深厚的数学基础，只需掌握 Python 基础语法和 Pandas、NumPy 等库的基本使用。全程搭配完整代码、逻辑流程图、可视化图表和 Prompt 示例，帮助大家理解每个环节的核心原理与实操技巧，最终达到 “能复现、能修改、能迁移” 的学习目标。

一、项目整体框架与技术栈

1.1 项目核心目标

基于电信客户的历史数据（如套餐类型、消费金额、使用时长等），构建机器学习模型，预测客户未来是否会停止使用公司服务（即客户流失）。通过该模型，企业可提前识别高流失风险客户，针对性地制定留存策略，降低运营成本。

1.2 技术栈选型

1.3 项目完整流程图（Mermaid 格式）

graph TD
    A[项目启动] --> B[数据加载与探索性分析EDA]
    B --> C[数据预处理]
    C --> C1[缺失值处理]
    C --> C2[异常值检测与处理]
    C --> C3[分类变量编码]
    C --> C4[数据归一化/标准化]
    C1 --> D[特征工程]
    C2 --> D
    C3 --> D
    C4 --> D
    D --> D1[特征筛选]
    D --> D2[特征衍生]
    D1 --> E[数据集划分]
    D2 --> E
    E --> F[模型选择与训练]
    F --> F1[逻辑回归]
    F --> F2[决策树]
    F --> F3[随机森林]
    F --> F4[XGBoost]
    F1 --> G[模型评估]
    F2 --> G
    F3 --> G
    F4 --> G
    G --> G1[准确率/精确率/召回率/F1分数]
    G --> G2[ROC曲线/AUC值]
    G --> G3[混淆矩阵]
    G1 --> H[模型调优]
    G2 --> H
    G3 --> H
    H --> H1[网格搜索GridSearchCV]
    H --> H2[随机搜索RandomizedSearchCV]
    H1 --> I[最优模型部署与预测]
    H2 --> I
    I --> J[项目总结与优化方向]

二、环境搭建与数据准备

2.1 环境搭建步骤

2.1.1 安装 Python（略）

推荐安装 Python 3.9 或 3.10 版本，可通过Python 官网下载，安装时勾选 “Add Python to PATH”。

2.1.2 安装依赖库

打开命令行（Windows CMD/Mac Terminal），执行以下命令安装所需库：

bash

# 基础数据处理库
pip install pandas numpy
# 可视化库
pip install matplotlib seaborn
# 机器学习库
pip install scikit-learn xgboost
# 开发环境（可选，推荐）
pip install jupyter notebook

2.1.3 启动 Jupyter Notebook

命令行输入以下命令，自动在浏览器中打开 Jupyter 界面：

bash

jupyter notebook

点击界面右上角 “New”→“Python 3”，创建新的代码文件（.ipynb），即可开始编写代码。

2.2 数据获取与加载

本项目使用公开的电信客户流失数据集（Telco Customer Churn），包含 7043 条客户记录和 21 个特征字段，目标变量为 “Churn”（Yes/No，表示客户是否流失）。

2.2.1 数据获取方式

python

运行

import pandas as pd
 
# 读取在线数据集
url = "https://raw.githubusercontent.com/IBM/telco-customer-churn-on-icp4d/master/data/Telco-Customer-Churn.csv"
df = pd.read_csv(url)
 
# 查看数据前5行
print("数据前5行：")
print(df.head())
 
# 查看数据基本信息
print("
数据基本信息：")
print(df.info())
 
# 查看数据统计描述
print("
数据统计描述：")
print(df.describe())

2.2.2 数据字段说明

三、探索性数据分析（EDA）

探索性数据分析（EDA）是机器学习项目的关键步骤，目的是了解数据分布、特征与目标变量的关系，发现数据中的规律和问题，为后续预处理和特征工程提供依据。

3.1 数据基本情况分析

3.1.1 缺失值检测

python

运行

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
 
# 设置中文字体（避免中文乱码）
plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows
# plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # Mac
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题
 
# 读取数据（若已读取可跳过）
url = "https://raw.githubusercontent.com/IBM/telco-customer-churn-on-icp4d/master/data/Telco-Customer-Churn.csv"
df = pd.read_csv(url)
 
# 检测缺失值（统计每列缺失值数量）
missing_values = df.isnull().sum()
print("各字段缺失值数量：")
print(missing_values[missing_values > 0])  # 只显示有缺失值的字段
 
# 可视化缺失值（若有）
if missing_values.sum() > 0:
    plt.figure(figsize=(12, 6))
    sns.heatmap(df.isnull(), cbar=False, cmap='viridis', yticklabels=False)
    plt.title('缺失值分布热力图')
    plt.savefig('missing_values_heatmap.png', dpi=300, bbox_inches='tight')
    plt.show()

结果说明：本数据集无明显缺失值，但需注意 TotalCharges字段为字符串类型，可能存在空字符串（需后续处理）。

3.1.2 目标变量分布分析

目标变量 Churn的分布的是否均衡，会影响模型训练效果（若严重不均衡，需进行采样处理）。

python

运行

# 统计目标变量分布
churn_distribution = df['Churn'].value_counts()
print("目标变量分布：")
print(churn_distribution)
print(f"流失率：{churn_distribution['Yes'] / len(df):.2%}")
 
# 可视化目标变量分布（饼图）
plt.figure(figsize=(8, 6))
plt.pie(churn_distribution, labels=churn_distribution.index, autopct='%1.1f%%', 
        colors=['#66b3ff', '#ff9999'], startangle=90, explode=(0, 0.1))
plt.title('客户流失分布饼图')
plt.axis('equal')  # 保证饼图为正圆形
plt.savefig('churn_distribution_pie.png', dpi=300, bbox_inches='tight')
plt.show()
 
# 可视化目标变量分布（柱状图）
plt.figure(figsize=(8, 6))
sns.countplot(x='Churn', data=df, palette=['#66b3ff', '#ff9999'])
plt.title('客户流失分布柱状图')
plt.xlabel('是否流失')
plt.ylabel('客户数量')
plt.savefig('churn_distribution_bar.png', dpi=300, bbox_inches='tight')
plt.show()

结果说明：数据集中非流失客户（No）5174 人，流失客户（Yes）1869 人，流失率约 26.5%，属于轻度不均衡数据，暂时无需采样处理，后续可观察模型效果再调整。

3.2 数值型特征分析

数值型特征包括 tenure（使用时长）、 MonthlyCharges（月消费）、 TotalCharges（总消费），需分析其分布规律及与目标变量的关系。

3.2.1 数值型特征分布

python

运行

# 转换TotalCharges为数值型（空字符串转为NaN）
df['TotalCharges'] = pd.to_numeric(df['TotalCharges'], errors='coerce')
 
# 选择数值型特征
numeric_features = ['tenure', 'MonthlyCharges', 'TotalCharges']
 
# 绘制直方图（查看分布）
plt.figure(figsize=(15, 5))
for i, feature in enumerate(numeric_features):
    plt.subplot(1, 3, i+1)
    sns.histplot(df[feature].dropna(), kde=True, color='#66b3ff')
    plt.title(f'{feature}分布直方图')
    plt.xlabel(feature)
    plt.ylabel('频数')
plt.tight_layout()
plt.savefig('numeric_features_hist.png', dpi=300, bbox_inches='tight')
plt.show()
 
# 绘制箱线图（检测异常值）
plt.figure(figsize=(15, 5))
for i, feature in enumerate(numeric_features):
    plt.subplot(1, 3, i+1)
    sns.boxplot(y=df[feature].dropna(), color='#ff9999')
    plt.title(f'{feature}箱线图（异常值检测）')
    plt.ylabel(feature)
plt.tight_layout()
plt.savefig('numeric_features_boxplot.png', dpi=300, bbox_inches='tight')
plt.show()

结果说明：

3.2.2 数值型特征与目标变量的关系

python

运行

# 绘制小提琴图（特征分布与流失的关系）
plt.figure(figsize=(15, 5))
for i, feature in enumerate(numeric_features):
    plt.subplot(1, 3, i+1)
    sns.violinplot(x='Churn', y=feature, data=df.dropna(subset=[feature]), 
                   palette=['#66b3ff', '#ff9999'])
    plt.title(f'{feature}与客户流失的关系')
    plt.xlabel('是否流失')
    plt.ylabel(feature)
plt.tight_layout()
plt.savefig('numeric_features_churn_violin.png', dpi=300, bbox_inches='tight')
plt.show()
 
# 绘制箱线图（特征中位数与流失的关系）
plt.figure(figsize=(15, 5))
for i, feature in enumerate(numeric_features):
    plt.subplot(1, 3, i+1)
    sns.boxplot(x='Churn', y=feature, data=df.dropna(subset=[feature]), 
                palette=['#66b3ff', '#ff9999'])
    plt.title(f'{feature}与客户流失的关系')
    plt.xlabel('是否流失')
    plt.ylabel(feature)
plt.tight_layout()
plt.savefig('numeric_features_churn_boxplot.png', dpi=300, bbox_inches='tight')
plt.show()
 
# 计算数值型特征与流失的相关性
numeric_df = df[numeric_features + ['Churn']].copy()
numeric_df['Churn'] = numeric_df['Churn'].map({'Yes': 1, 'No': 0})  # 目标变量编码为0/1
correlation = numeric_df.corr()['Churn'].sort_values(ascending=False)
print("数值型特征与客户流失的相关性：")
print(correlation)

结果说明：