CPDA考試應(yīng)用模擬

一、 計(jì)算題（題數(shù)：4，共 100.0 分）1.影響中國(guó)人口自然增長(zhǎng)率的因素有很多，據(jù)分析主要因素可能有：（1）從宏觀經(jīng)濟(jì)上看，經(jīng)濟(jì)整體增長(zhǎng)是人口自然增長(zhǎng)的基本源泉；（2）居民消費(fèi)水平，它的高低可能會(huì)間接影響人口增長(zhǎng)率。(3)文化程度，由于教育年限的高低，相應(yīng)會(huì)轉(zhuǎn)變?nèi)说膫鹘y(tǒng)觀念，可能會(huì)間接影響人口自然增長(zhǎng)率（4）人口分布，非農(nóng)業(yè)與農(nóng)業(yè)人口的比率也會(huì)對(duì)人口增長(zhǎng)率有相應(yīng)的影響。為了全面反映中國(guó)“人口自然增長(zhǎng)率”的全貌，選擇人口增長(zhǎng)率作為被解釋變量，以反映中國(guó)人口的增長(zhǎng)；選擇“國(guó)名收入”及“人均GDP”作為經(jīng)濟(jì)整體增長(zhǎng)的代表；選擇“居民消費(fèi)價(jià)格指數(shù)增長(zhǎng)率”作為居民消費(fèi)水平的代表。暫不考慮文化程度及人口分布的影響。 從中國(guó)統(tǒng)計(jì)年鑒收集到以下數(shù)據(jù)（見表1）： 設(shè)定的線性回歸模型為： 算法1多元線性回歸.xlsx（1）求出模型中的各個(gè)參數(shù)，試從多個(gè)角度評(píng)價(jià)此線性回歸模型，并檢驗(yàn)?zāi)Ｐ偷慕?jīng)濟(jì)意義；（2）檢驗(yàn)?zāi)Ｐ椭惺欠翊嬖诙嘀毓簿€性問題（逐步回歸），若有，試消除多重共線性。答案解析：（1）直接進(jìn)行線性回歸即可得到各個(gè)參數(shù)（用excel）。多元線性回歸模型評(píng)價(jià)可以從擬合優(yōu)度、T檢驗(yàn)、F檢驗(yàn)等多個(gè)方面出發(fā)。（2）求變量的相關(guān)系數(shù)矩陣或采用逐步回歸法（也可以用datahoop平臺(tái)做線性回歸，會(huì)自動(dòng)刪除共線的變量）。2.對(duì)近期上映的10部電影進(jìn)行調(diào)查研究，抽取290人對(duì)這10部電影的評(píng)分（分值010分），結(jié)果如下表所示。（1）根據(jù)表中數(shù)據(jù)對(duì)這10部電影的評(píng)分進(jìn)行因子分析，并解析各個(gè)因子的含義；（2）可否利用電影的評(píng)分?jǐn)?shù)據(jù)對(duì)這290名觀影者進(jìn)行聚類分析？給出你的理由。算法2因子分析.xlsx答案解析：（1）因子分析選擇隱含因子數(shù)為3，分別代表動(dòng)作片、愛情片、動(dòng)畫片的影響評(píng)分因子。（2）可以，這290人對(duì)電影的偏好有區(qū)別，可以進(jìn)行聚類，相關(guān)性分析后排除共線性的影響再進(jìn)行聚類。3.某超市為了優(yōu)化商品擺放結(jié)構(gòu)，對(duì)近期顧客購(gòu)買的商品類型進(jìn)行了統(tǒng)計(jì)，如附表所示。（1）寫出所有有效強(qiáng)關(guān)聯(lián)規(guī)則（minsupport=10%，minconfidence=50%）；（2）結(jié)合實(shí)際情況分析顧客喜歡的商品搭配，并對(duì)該超市提出合理的建議。算法3關(guān)聯(lián)分析.xlsx答案解析：關(guān)聯(lián)規(guī)則分析中設(shè)置參數(shù)（minsupport=10%，minconfidence=50%），結(jié)果中強(qiáng)關(guān)聯(lián)規(guī)則通過調(diào)整顯示條目全部寫出（重復(fù)的刪除）。結(jié)合實(shí)際情況分析要寫詳細(xì)。4.某市為調(diào)查駕駛員視力情況（“1”表示視力正常，“0”表示有視力缺陷）、年齡、是否有駕駛教育經(jīng)歷（“1”表示有，“0”表示沒有），這三個(gè)因素對(duì)是否曾引起交通事故（“1”表示發(fā)生過，“0”表示未發(fā)生過）的影響，隨機(jī)抽樣調(diào)查了45名駕駛員，得到數(shù)據(jù)如下：（1）建立模型分析駕駛員視力情況、年齡、是否有駕駛教育經(jīng)歷對(duì)是否曾引起交通事故的影響，寫出詳細(xì)的思路過程。（2）若要應(yīng)用此模型預(yù)測(cè)某批駕駛員中可能會(huì)引起過交通事故的人都有哪些，則還需要進(jìn)行的研究步驟有哪些？請(qǐng)說明。算法4邏輯回歸.xlsx答案解析：邏輯回歸，數(shù)據(jù)預(yù)處理包括分析共線性和異常值等，數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，綜合訓(xùn)練誤差和測(cè)試誤差評(píng)價(jià)模型。第二問要收集數(shù)據(jù)、處理數(shù)據(jù)、應(yīng)用模型直接預(yù)測(cè)。-一、 計(jì)算題（題數(shù)：4，共 100.0 分）1.1993-2007年相關(guān)經(jīng)濟(jì)數(shù)據(jù)如附表所示。設(shè)定國(guó)內(nèi)生產(chǎn)總值為x1,地產(chǎn)投資總額為x2,全國(guó)居民消費(fèi)水平為x3、全社會(huì)固定資產(chǎn)投資房屋竣工面積為x4，作為自變量；全國(guó)房屋銷售均價(jià)設(shè)為Y，作為因變量。建立如下的多元線性回歸模型:y=b0+b1*x1+b2*x2+b3*x3+b4*x4+b0,b1,b2,b3,b4是未知參數(shù)，是剩余殘差，且E()=0，與四個(gè)自變量無關(guān)。（1）求出參數(shù)b0,b1,b2,b3,b4，并評(píng)判模型擬合優(yōu)度和實(shí)際意義，寫出詳細(xì)的分析依據(jù)和思路過程；（2）根據(jù)（1）對(duì)模型進(jìn)行修正。多元線性回歸.xlsx答案解析：（1）直接做線性回歸，可得各個(gè)參數(shù)。通過R2，F(xiàn)、T檢驗(yàn)，p值等分別分析模型。系數(shù)在經(jīng)濟(jì)意義上存在不合理性，可能是共線性的影響。（datahoop平臺(tái)會(huì)刪除共線的變量，所以這里用excel或spss等做回歸。）（2）相關(guān)性分析和解釋，去掉一些變量，重新做線性回歸（在Datahoop平臺(tái)上直接做也可以，平臺(tái)會(huì)自動(dòng)刪除共線的變量）。2.為了解電影票房的影響因素有哪些，某出品人搜集了2010年至2013年間中國(guó)電影發(fā)放放映協(xié)會(huì)統(tǒng)計(jì)的過千萬票房的國(guó)產(chǎn)電影相關(guān)統(tǒng)計(jì)指標(biāo)，共涉及275部影片。具體數(shù)據(jù)如附表所示。Datahoop上傳測(cè)試集：電影票房數(shù)據(jù)（2010-2013）.xlsxDatahoop上傳訓(xùn)練集：電影票房數(shù)據(jù)（2010-2013）.xlsx對(duì)數(shù)據(jù)進(jìn)行預(yù)處理（包括缺失值、數(shù)據(jù)類型、離散化等），選擇決策樹模型進(jìn)行擬合，并檢驗(yàn)和分析模型。要求寫出詳細(xì)的思路和過程。答案解析：1.影片票房：影片票房是本次模型建模的因變量。通過對(duì)選取數(shù)據(jù)的統(tǒng)計(jì)分析，將票房數(shù)據(jù)進(jìn)行分類，一共分為8個(gè)層次，分類情況如表所示：等級(jí) 1 2 3 4 5 6 7 8范圍 1000萬 2000萬 3000萬 6000萬 1億萬 1億9000萬 3億 20億 2000萬 3000萬 6000萬 1億萬 1億9000萬 3億 乘客IDSurvived = 是否生還Pclass = 乘客等級(jí)(1/2/3等艙位)Name = 乘客姓名Sex = 性別Age = 年齡SibSp = 堂兄弟/妹個(gè)數(shù)Parch = 父母與小孩個(gè)數(shù)Ticket = 船票信息Fare = 票價(jià)Cabin = 客艙Embarked = 登船港口對(duì)收集進(jìn)行預(yù)處理，選擇適當(dāng)?shù)乃惴ㄟM(jìn)行分析，并評(píng)價(jià)和解釋模型，要求寫出具體的思路過程。答案解析：本次分析選取變量包括：Survived = 是否生還、Pclass = 乘客等級(jí)(1/2/3等艙位)、Sex = 性別、Age = 年齡、SibSp = 堂兄弟/妹個(gè)數(shù)、Parch = 父母與小孩個(gè)數(shù)、Fare = 票價(jià)。理把性別進(jìn)行0和1處理，female（女）轉(zhuǎn)換成0，male（男）轉(zhuǎn)換成1。年齡Age存在缺失值，因此對(duì)于年齡的缺失值需要進(jìn)行處理，本次對(duì)年齡的缺失值用所有年齡數(shù)據(jù)的平均值進(jìn)行填充。采用方法：邏輯回歸，根據(jù)模型的預(yù)測(cè)結(jié)果可以看出模型的準(zhǔn)確度還是比較好的，模型的AUC值也是比較高的。因此可以根據(jù)這些變量預(yù)測(cè)乘客生還與否。-一、 計(jì)算題1.電信公司為分析客戶流失狀況，為客戶是否流失提供參考依據(jù)，隨機(jī)選取了600名客戶進(jìn)行研究，得到了如附表所示一系列數(shù)據(jù)，收集到的數(shù)據(jù)包含下列字段：在網(wǎng)月數(shù)截止數(shù)據(jù)收集時(shí)間為止的在網(wǎng)月數(shù)年齡客戶實(shí)際年齡婚姻狀況客戶婚姻狀況，0代表未婚，1代表已婚現(xiàn)地址居住時(shí)間現(xiàn)在地址的居住月份教育程度1：?？埔韵拢?：本科；3：碩士；4：研究生；5：博士工作狀態(tài)0：待業(yè)；1：在職性別0：女；1：男租設(shè)備0：不租；1：租IP電話0：無；1：有無線電話0：有；1：無本月話費(fèi)話費(fèi)具體金額語音信箱0：無；1：有網(wǎng)絡(luò)0：無；1：有來電顯示0：無；1：有呼叫等待0：無；1：有呼叫轉(zhuǎn)移0：無；1：有流失狀態(tài)0：未流失；1：流失 根據(jù)這些客戶數(shù)據(jù)，進(jìn)行數(shù)據(jù)預(yù)處理，之后分別用邏輯回歸和SVM算法進(jìn)行分析，對(duì)比兩種算法的擬合優(yōu)度，從而選擇兩者中更加適合的算法模型。寫出分析思路和過程，并為電信公司提供客戶運(yùn)營(yíng)的相關(guān)建議。數(shù)據(jù)分析應(yīng)用1電信客戶流失數(shù)據(jù).xlsx答案解析：根據(jù)邏輯回歸和SVM算法對(duì)數(shù)據(jù)的不同要求，預(yù)處理要分析數(shù)據(jù)的共線性和異常值，之后分別進(jìn)行邏輯回歸和SVM算法分析，發(fā)現(xiàn)SVM的召回率、準(zhǔn)確率、準(zhǔn)確度等指標(biāo)均較好，因此選擇SVM算法。相關(guān)建議包括引入此模型分析客戶，從而針對(duì)性運(yùn)營(yíng)等。2.選取7項(xiàng)經(jīng)濟(jì)指標(biāo)作為決定經(jīng)濟(jì)類型的影響因素，對(duì)全國(guó)31個(gè)省、直轄市、自治區(qū)(浙江、湖南、甘肅除外)進(jìn)行聚類分析（各項(xiàng)數(shù)據(jù)均來自2010年國(guó)家統(tǒng)計(jì)年鑒）。數(shù)據(jù)分析應(yīng)用2省市分類.xlsx對(duì)數(shù)據(jù)進(jìn)行預(yù)處理（創(chuàng)建新的變量等），比較說明聚成幾類時(shí)聚類效果最好，寫出分析思路和過程，并分析每一類的實(shí)際意義。答案解析：若用k-means進(jìn)行聚類，預(yù)處理要考慮共線性和異常值（數(shù)據(jù)比較少不能輕易刪除異常值），且分別分析聚成2、3、4等類的效果（由平均輪廓系數(shù)判定）。-一、 計(jì)算題1.某金融機(jī)構(gòu)為了研究其信用卡發(fā)放風(fēng)險(xiǎn)，收集整理了一些客戶的數(shù)據(jù)，包括他們的基本信息，經(jīng)濟(jì)情況，以及是否拖欠還款等，具體如附表所示（已經(jīng)將客戶分為了訓(xùn)練集和測(cè)試集）。數(shù)據(jù)分析應(yīng)用1測(cè)試數(shù)據(jù).xlsx數(shù)據(jù)分析應(yīng)用1訓(xùn)練數(shù)據(jù).xlsx進(jìn)行數(shù)據(jù)預(yù)處理，并用不同的算法模型（邏輯回歸、神經(jīng)網(wǎng)絡(luò)等）分析信用卡拖欠還款情況，結(jié)合測(cè)試數(shù)據(jù)對(duì)比模型的擬合優(yōu)度，要求寫出具體的思路過程。答案解析：分析數(shù)據(jù)有沒有缺失值異常值等，數(shù)據(jù)預(yù)處理（邏輯回歸考慮共線性、神經(jīng)網(wǎng)絡(luò)不考慮），分別用邏輯回歸和神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練集進(jìn)行擬合，由召回率、準(zhǔn)確率等分析訓(xùn)練誤差，接著對(duì)測(cè)試集進(jìn)行預(yù)測(cè)分析得到預(yù)測(cè)值與實(shí)際值對(duì)比，求召回率、準(zhǔn)確率等分析泛化誤差。對(duì)比決定用哪個(gè)模型。2.為了研究手機(jī)好評(píng)率與品牌、價(jià)格的關(guān)系，某公司收集如附表所示數(shù)據(jù)，數(shù)據(jù)收集的信息包含手機(jī)的評(píng)論得分和評(píng)論內(nèi)容以及手機(jī)品牌和價(jià)格等信息。手機(jī)數(shù)據(jù).xlsx對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，選擇合適的模型分析手機(jī)好評(píng)率與品牌、價(jià)格的關(guān)系，要求寫出詳細(xì)的思路和過程。答案解析：本案例想要通過對(duì)應(yīng)分析分析不同手機(jī)品牌和不同價(jià)格區(qū)間的手機(jī)的好評(píng)情況。對(duì)應(yīng)分析是研究由定性變量構(gòu)成的交互匯總表來揭示變量間的聯(lián)系。交互表的信息以圖形的方式展示。主要適用于有多個(gè)類別的定類變量，可以揭示同一個(gè)變量的各個(gè)類別之間的差異，以及不同變量各個(gè)類別之間的對(duì)應(yīng)關(guān)系。適用于兩個(gè)或多個(gè)定類變量。因此本案例需要對(duì)要研究的定量變量進(jìn)行定性處理。本案例中品牌屬于類別數(shù)據(jù)，但是其中包含漢字，因子需要進(jìn)行重新編碼；價(jià)格屬于連續(xù)型變量，因此需要進(jìn)行離散化處理。好評(píng)數(shù)不能直接代表手機(jī)的好評(píng)情況，因此為了更好地表示手機(jī)的好評(píng)情況，這里采用好評(píng)率進(jìn)行分析。由于好評(píng)率計(jì)算出來仍然是一個(gè)0到1之間的連續(xù)變量，因此需要進(jìn)行離散化處理。數(shù)據(jù)分析：本次分析采用datahoop1.2版本進(jìn)行分析，首先對(duì)品牌和好評(píng)率進(jìn)行對(duì)應(yīng)分析。從分析結(jié)果可以看到數(shù)據(jù)的交叉表，以及提取的3個(gè)公因子的貢獻(xiàn)率和因子得分。從因子貢獻(xiàn)率可以看到提取兩個(gè)因子的貢獻(xiàn)率就達(dá)到了80%以上，因此提取兩個(gè)因子即可。根據(jù)對(duì)應(yīng)分析的圖表可以看到處于hp1也就是低好評(píng)度的品牌主要有品牌7,9,11,12。接著較低好評(píng)度品牌有3,4。較高好評(píng)度品牌包括1，5。高好評(píng)度品牌有8,10。因此品牌好評(píng)率分布為：好評(píng)率等級(jí)品牌低級(jí)ZUK，飛利浦，金立，酷派較低HTC, LG較高360，oppo高級(jí)錘子，華為這樣就可以清晰地看出不同品牌的好評(píng)情況。然后對(duì)價(jià)格等級(jí)和好評(píng)率等級(jí)進(jìn)行對(duì)應(yīng)分析，可以看到用戶評(píng)論中500-1500價(jià)格區(qū)間的手機(jī)好評(píng)率最低，500-6000價(jià)位的手機(jī)好評(píng)率也最低。1500-2000價(jià)位的手機(jī)好評(píng)率較低；2000-2500價(jià)位/3000-3500價(jià)位和6000-7000價(jià)位手機(jī)好評(píng)率較高，好評(píng)率最高的是價(jià)位2500-3000價(jià)位手機(jī)和3500-4000價(jià)位。-1. 下面是7個(gè)地區(qū)2000年的人均國(guó)內(nèi)生產(chǎn)總值（GDP）和人均消費(fèi)水平的統(tǒng)計(jì)數(shù)據(jù)： 要求：（1）繪制散點(diǎn)圖，并計(jì)算相關(guān)系數(shù)，說明二者之間的關(guān)系；（2）人均GDP作自變量，人均消費(fèi)水平作因變量，利用最小二乘法求出估計(jì)的回歸方程，并解釋回歸系數(shù)的實(shí)際意義；（3）計(jì)算判定系數(shù)，并解釋其意義；（4）檢驗(yàn)回歸方程線性關(guān)系的顯著性（a=0.05）；（5）如果某地區(qū)的人均GDP為5000元，預(yù)測(cè)其人均消費(fèi)水平；（6）求人均GDP為5000元時(shí)，人均消費(fèi)水平95%的置信區(qū)間和預(yù)測(cè)區(qū)間。（所有結(jié)果均保留三位小數(shù)）（25.0分）窗體頂端我的答案窗體底端答案解析：提示：(1)使用Datahoop或Excel作出散點(diǎn)圖、相關(guān)系數(shù)，作出相關(guān)描述；(2)注意自變量與因變量的確定，利用Datahoop或Excel寫出回歸方程，作出回歸系數(shù)實(shí)際意義的描述；(3)寫出判定系數(shù)，并描述意義；(4)在a=0.05的前提下，檢驗(yàn)方程的顯著性，并做描述；(5)使用Datahoop預(yù)測(cè)功能做出結(jié)果；(6)寫出置信區(qū)間和預(yù)測(cè)區(qū)間。-2. 根據(jù)以下給出的數(shù)據(jù)進(jìn)行分析，本次給出鳶尾花數(shù)據(jù)，其中包含萼片長(zhǎng)、萼片寬、花瓣長(zhǎng)、花瓣寬、以及花的類型數(shù)據(jù)，請(qǐng)根據(jù)以下問題進(jìn)行回答。（本題數(shù)據(jù)提供在excel里面，數(shù)據(jù)分析為三份，一份訓(xùn)練數(shù)據(jù)，一份測(cè)試數(shù)據(jù)，一份預(yù)測(cè)數(shù)據(jù)）（1）根據(jù)訓(xùn)練數(shù)據(jù)，用類型_num作為因變量Y，其他變量作為自變量X，做邏輯回歸，寫出邏輯回歸的方程。（2）根據(jù)測(cè)試數(shù)據(jù)得到的結(jié)果，寫出邏輯回歸的混淆矩陣，以及準(zhǔn)確率和召回率，Accuracy和F1的值（可根據(jù)測(cè)試數(shù)據(jù)結(jié)果計(jì)算表格得到測(cè)試數(shù)據(jù)集的相應(yīng)的結(jié)果）。（3）給出一組預(yù)測(cè)數(shù)據(jù)，根據(jù)訓(xùn)練模型結(jié)果預(yù)測(cè)，寫出預(yù)測(cè)結(jié)果。（25.0分）窗體頂端我的答案窗體底端答案解析：提示： - 3. 下表為購(gòu)物籃事物數(shù)據(jù)： （1）設(shè)minsupport=40%，利用Apriori算法寫出所有的頻繁項(xiàng)目集，并指出其中支持度最大的二項(xiàng)頻繁項(xiàng)目集。（2）在第一問基礎(chǔ)上設(shè)minconfidence=60%，找出所有的有效強(qiáng)關(guān)聯(lián)規(guī)則。（25.0分）窗體頂端我的答案窗體底端答案解析：提示：使用Datahoo進(jìn)行Apriori分析，注意參數(shù)調(diào)整- 4. 某廚衛(wèi)公司要開發(fā)一款燃?xì)庠町a(chǎn)品，列舉出5個(gè)可作為賣點(diǎn)的功能屬性：防風(fēng)、定時(shí)、防干燒、不沾油、快速而準(zhǔn)確地打火。該公司的產(chǎn)品設(shè)計(jì)人員不知道該主要開發(fā)哪項(xiàng)功能，分析師小李向公司提出了使用KANO模型對(duì)上述五個(gè)功能進(jìn)行調(diào)研分類的想法。并得到了公司的支持。假設(shè)你是小李1.請(qǐng)你繪制KANO模型圖來介紹對(duì)功能屬性分類的思路2.請(qǐng)你對(duì)燃?xì)庠畹姆栏蔁δ軐傩栽O(shè)計(jì)調(diào)查問題3.針對(duì)燃?xì)庠畹姆栏蔁δ?，受訪者有多少種可能的回答組合，請(qǐng)寫出每一種回答組合所對(duì)應(yīng)的屬性類別符號(hào)（符號(hào)見最后一行題注）4.假設(shè)基于對(duì)240名受訪者的調(diào)研，得到下表，請(qǐng)算出這5種功能各自的worse系數(shù)和better系數(shù)，并基于這兩個(gè)系數(shù)判斷這5中功能的屬性類別5.請(qǐng)對(duì)該燃?xì)庠畹倪@5項(xiàng)功能開發(fā)提出建議注：魅力屬性用符號(hào)A表示；必備屬性用符號(hào)M表示；期望屬性用符號(hào)O表示；可有可無屬性用符號(hào)I表示；用戶討厭的屬性用R表示；有問題的回答用Q表示人數(shù)功能OIMA防風(fēng)118302963防干燒47783085定時(shí)22140870快速而準(zhǔn)確地打火452010768不沾油69512989（25.0分）窗體頂端我的答案窗體底端答案解析：提示：（1）繪制KANO模型圖（2）描繪通用調(diào)查問題（3）作出屬性類別表（4）計(jì)算worse和better系數(shù)，并畫出象限圖（5）給出開發(fā)建議- 1. 移動(dòng)公司想結(jié)合用戶通話行為，推薦相應(yīng)套餐，或者結(jié)合用戶現(xiàn)有套餐優(yōu)化用戶套餐，提供個(gè)性化套餐，從而對(duì)客戶進(jìn)行精準(zhǔn)營(yíng)銷，增加客戶粘性。為此，移動(dòng)公司收集了下列數(shù)據(jù)，移動(dòng)公司收集到的數(shù)據(jù)包含下列字段：變量名稱變量標(biāo)簽Customer_ID用戶編號(hào)Peak_mins工作日上班時(shí)間電話時(shí)長(zhǎng)OffPeak_mins工作日下班時(shí)間電話時(shí)長(zhǎng)Weekend_mins周末電話時(shí)長(zhǎng)International_mins國(guó)際電話時(shí)長(zhǎng)Total_mins總通話時(shí)長(zhǎng)average_mins平均每次通話時(shí)長(zhǎng)請(qǐng)你根據(jù)這些客戶數(shù)據(jù)，進(jìn)行數(shù)據(jù)的預(yù)處理（數(shù)據(jù)預(yù)處理過程中可以根據(jù)現(xiàn)有變量構(gòu)造新變量進(jìn)行分析），預(yù)處理之后選擇合適變量進(jìn)行分析，分析算法自行選擇，寫出分析思路和過程，通過數(shù)據(jù)分析對(duì)客戶進(jìn)行細(xì)分，將客戶分為5類。并為移動(dòng)公司提供客戶精準(zhǔn)營(yíng)銷的相關(guān)建議。（請(qǐng)寫出分析的流程并刻畫最后細(xì)分之后的客戶的特點(diǎn)和相應(yīng)的營(yíng)銷建議）（50.0分）窗體頂端我的答案窗體底端答案解析：提示：根據(jù)題目可以選取聚類方法對(duì)客戶進(jìn)行細(xì)分，這里選取k-means聚類方法進(jìn)行分析。對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，主要查看數(shù)據(jù)的相關(guān)性；對(duì)數(shù)據(jù)進(jìn)行聚類分析，選取變量為peak_mins/total_mins，offpeak_mins，weekend_mins，international_mins，total_m