项目介绍：
现在我们手上有一份来自美国的电商数据，下载自Kaggle，我们需要对其中的用户进行分层，对其使用RFM方法划分等级，采取不同用户采取不同运营策略
首先我们需要导入需要的包
之后我们需要读取数据
之后我们需要进行数据清洗，首先检查数据中是否有空值，可以发现·有空值的只有邮政编码这一列，对于我们进行的操作属于无关变量，可以不去处理
接着我们去检查重复值，发现数据里并没有重复值
之后我们就可以进行RFM用户分层了，首先我们先定义先定义RFM中的R列，其内容代表最近一次消费时间，我们应当使用一个日期减去每一个订单的日期的天数作为其R值的判别标准，将最近一次的消费日期命名为end_time，减去每一个订单日期，由于一个用户有多个订单，所以我们采用最近一次的订单作为R值，代码如下所示：
F值为消费品频率，其值为去重后的订单ID数，M则为每个用户各自的所有销售额的聚合，代码如下所示：
之后应该以R,F,M的顺序从左到右将其合并为一张表格，代码如下所示：
不要忘了细节处理，将F，M的名字改过来
接着，我们将RFM中的R值绘制成直方图，观察其数据结构，发现绝大部分数据都靠左，这种情况下选择中位数作为判别点的话会不准确，所以这里选择了均值作为R_score的判别点
我们将小于判别点的值定为1，并将其命名为R_score
接下来我们来看F值的直方图，由于其数据大体呈正态分布，我们就选择中位数作为本次的判别点
我们将大于判别点的值定为1，并将其命名为F_score
接下来我们来看M值的直方图，其情况相似于R值，我们取均值作为判别点
我们将大于判别点的值定为1，并将其命名为M_score
可以得到别表格如下所示
于是我们创造Total_score列来作为RFM的值的判别标准
RFM的分类标准如下（高为1，低为0）
我们在Python中制定好标准，再通过Total_score映射到RFM表格中，取名为用户等级，其代码和表格如下所示
我们将表格存为excel文件,
这样我们就得到了一份RFM用户分层效果表格，以便对不同的用户采取不同价值的用户的运营方式
本数据为Kaggle下载，如需数据请私信我。
