Le marketing rencontre l’apprentissage

automatique : perspectives
d’optimisation des campagnes

ABDOULAYE TANGARA
Student in MSc in Quantitative and Computable Economics

Contacts
ï LinkedIn
§ Mon GitHub
€ Mon Portfolio
# [email protected]

"Si tu veux avoir quelque chose que tu n’as jamais eu, tu fais quelque
chose que tu n’as jamais fait"

Draft

©Tangara Abdoulaye
 0.1 Analyse des KPIs et Modélisation de Campagne Marketing
[ ]: import pandas as pd # Manipulate dataframes
import numpy as np # Operations numériques
from skimpy import skim # Visualisation des données
from tabulate import tabulate # Visualisation des données
from datetime import datetime # Manipulation des dates
import scipy.stats as stat # Test statistiques
import matplotlib.pyplot as plt # Visualisation des données
import seaborn as sns # Visualisation des données
from sklearn.cluster import KMeans # Pour la segmentation
from sklearn.ensemble import RandomForestClassifier, IsolationForest # Modèle␣
,→de classification # Detection des outliers

from sklearn.metrics import accuracy_score, classification_report,␣

,→confusion_matrix # Métriques de performance

from sklearn.model_selection import train_test_split ,GridSearchCV #␣

,→Séparation des données , # Optimisation des hyperparamètres

from sklearn.preprocessing import StandardScaler, OneHotEncoder #␣

,→Prétraitement des données

from sklearn.compose import ColumnTransformer # Prétraitement des données

from sklearn.pipeline import Pipeline # Prétraitement des données
import warnings # Gestion des avertissements
warnings.filterwarnings('ignore') # Ignorer les avertissements

Chargement et Préparation des Données

[88]: # Chargement des données

data = pd.read_csv("marketing_campaign.csv", delimiter="\t")
data

[88]: ID Year_Birth Education Marital_Status Income Kidhome \

0 5524 1957 Graduation Single 58138.0 0
1 2174 1954 Graduation Single 46344.0 1
2 4141 1965 Graduation Together 71613.0 0
3 6182 1984 Graduation Together 26646.0 1
4 5324 1981 PhD Married 58293.0 1
... ... ... ... ... ... ...
2235 10870 1967 Graduation Married 61223.0 0
2236 4001 1946 PhD Together 64014.0 2
2237 7270 1981 Graduation Divorced 56981.0 0
2238 8235 1956 Master Together 69245.0 0
2239 9405 1954 PhD Married 52869.0 1

Teenhome Dt_Customer Recency MntWines ... NumWebVisitsMonth \

0 0 04-09-2012 58 635 ... 7
1 1 08-03-2014 38 11 ... 5
2 0 21-08-2013 26 426 ... 4
Draft
3 0 10-02-2014 26 11 ... 6
4 0 19-01-2014 94 173 ... 5
... ... ... ... ... ... ...
2235 1 13-06-2013 46 709 ... 5

1
2236 1 10-06-2014 56 406 ... 7
2237 0 25-01-2014 91 908 ... 6
2238 1 24-01-2014 8 428 ... 3
2239 1 15-10-2012 40 84 ... 7

AcceptedCmp3 AcceptedCmp4 AcceptedCmp5 AcceptedCmp1 AcceptedCmp2 \

0 0 0 0 0 0
1 0 0 0 0 0
2 0 0 0 0 0
3 0 0 0 0 0
4 0 0 0 0 0
... ... ... ... ... ...
2235 0 0 0 0 0
2236 0 0 0 1 0
2237 0 1 0 0 0
2238 0 0 0 0 0
2239 0 0 0 0 0

Complain Z_CostContact Z_Revenue Response

0 0 3 11 1
1 0 3 11 0
2 0 3 11 0
3 0 3 11 0
4 0 3 11 0
... ... ... ... ...
2235 0 3 11 0
2236 0 3 11 0
2237 0 3 11 0
2238 0 3 11 0
2239 0 3 11 1

[2240 rows x 29 columns]

Draft

2
[89]: # Preparation des données
# Information générales sur les données
print(f"Le nombre de lignes de la base de données est de : {data.shape[0]}")
print(f"\n Le nombre de colonnes de la base de données est de : {data.
,→shape[1]}\n")

print(f"La taille de la base de données est de : {data.size} \n")

info_data = pd.DataFrame({
'variable' : data.columns.to_list(),
'Type du variable' : data.dtypes.values,
'NumMissing' : data.isnull().sum().values,
'%Missing' : np.round((data.isnull().sum().values/data.shape[0])*100,3)
})

print(f"\n Les informations sur le dataframe: \n {info_data}")

Le nombre de lignes de la base de données est de : 2240

Le nombre de colonnes de la base de données est de : 29

La taille de la base de données est de : 64960

Les informations sur le dataframe:

variable Type du variable NumMissing %Missing
0 ID int64 0 0.000
1 Year_Birth int64 0 0.000
2 Education object 0 0.000
3 Marital_Status object 0 0.000
4 Income float64 24 1.071
5 Kidhome int64 0 0.000
6 Teenhome int64 0 0.000
7 Dt_Customer object 0 0.000
8 Recency int64 0 0.000
9 MntWines int64 0 0.000
10 MntFruits int64 0 0.000
11 MntMeatProducts int64 0 0.000
12 MntFishProducts int64 0 0.000
13 MntSweetProducts int64 0 0.000
14 MntGoldProds int64 0 0.000
15 NumDealsPurchases int64 0 0.000
16 NumWebPurchases int64 0 0.000
17 NumCatalogPurchases int64 0 0.000
18 NumStorePurchases int64 0 0.000
19 NumWebVisitsMonth int64 0 0.000
20 AcceptedCmp3 int64 0 0.000
21 AcceptedCmp4 Draft
int64 0 0.000
22 AcceptedCmp5 int64 0 0.000
23 AcceptedCmp1 int64 0 0.000
24 AcceptedCmp2 int64 0 0.000
25 Complain int64 0 0.000

3
 26 Z_CostContact int64 0 0.000
27 Z_Revenue int64 0 0.000
28 Response int64 0 0.000

[90]: # Traitement de certaines variables

data["Dt_Customer"] = pd.to_datetime(data["Dt_Customer"],format= "%d-%m-%Y")
data.drop(columns=["ID","Z_Revenue","Z_CostContact"], inplace=True)

col_cat = ['AcceptedCmp3', 'AcceptedCmp4', 'AcceptedCmp5', 'AcceptedCmp1',

'AcceptedCmp2', 'Complain', 'Response']
for i in col_cat:
data[i] = data[i].astype("category")

if "Year_Birth" in data.columns:
data["Age"] = datetime.now().year - data["Year_Birth"]
del data["Year_Birth"]

# Gestion des valeurs manquantes

data["Income"] = data["Income"].fillna(data["Income"].mean())

1.2 Analyse Statistique et KPIs des Campagnes

[91]: skim(data)

print('Description des variables qualitatives \n')

data.describe(include=["object","category"]).T

# Selection des variables

var_quanti = data.select_dtypes(include=["int64","float64"]).columns
var_quali = data.select_dtypes(include=["object","category"]).columns

for val in var_quali:

print(f"La variable {val} contient les modalités suivantes : \n ␣
,→{data[val].unique()} \n")

Description des variables qualitatives

La variable Education contient les modalités suivantes :

['Graduation' 'PhD' 'Master' 'Basic' '2n Cycle']

La variable Marital_Status contient les modalités suivantes :

['Single' 'Together' 'Married' 'Divorced' 'Widow' 'Alone' 'Absurd' 'YOLO']

La variable AcceptedCmp3 contient les modalités suivantes :

[0, 1]
Categories (2, int64): [0, 1]

La variable AcceptedCmp4 contient les Draft

modalités suivantes :
[0, 1]
Categories (2, int64): [0, 1]

La variable AcceptedCmp5 contient les modalités suivantes :

4
 [0, 1]
Categories (2, int64): [0, 1]

La variable AcceptedCmp1 contient les modalités suivantes :

[0, 1]
Categories (2, int64): [0, 1]

La variable AcceptedCmp2 contient les modalités suivantes :

[0, 1]
Categories (2, int64): [0, 1]

La variable Complain contient les modalités suivantes :

[0, 1]
Categories (2, int64): [0, 1]

La variable Response contient les modalités suivantes :

[1, 0]
Categories (2, int64): [0, 1]

Draft

5
[92]: def UnivariateAnalysis(data, var_quanti, var_quali):

# Les variables quantitatives

# Boxplot
for col in var_quanti:
plt.figure(figsize=(10,5))
sns.boxplot(data[col])

plt.title(f"Boxplot de la variable {col}")

plt.show()

# Histogramme
for var in var_quanti:
if var in data.columns:
pvalue, statistic = stat.shapiro(data[var]) # Hypothèse nulle␣
,→(H0) : Les données suivent une distribution normale.

if pvalue > 0.05 :

text0 = f"La variable {var} ne suit pas une loi normale avec␣
,→p-value = {np.round(pvalue,2)} et statistique = {np.round(statistic, 2)}"

else:
text0 = f"La variable {var} suit une loi normale avec p-value␣
,→= {np.round(pvalue,2)} et statistique = {np.round(statistic, 2)}"

plt.figure(figsize=(10,5))
sns.histplot(data[var], kde=True)
plt.title(text0)
plt.show()
# Diagramme en barres

# Les variables qualitatives

for col in var_quali:

# Informations
print(f"\n la fréquance des modalités de la variable --{col}-- \n␣
,→{data[col].value_counts(normalize=True)*100}")

# Visualisation
plt.figure(figsize=(10,5))
sns.countplot(data[col])
plt.title(f"Analyse de la variable {col}")
plt.show()

Draft

6
[93]: def AnalyseBivariee(data, var_quanti, var_quali):

# Analyse de la relation entre les variables quantitatives et␣

,→quantitatives

print(f"\n Analyse de la relation entre les variables quantitatives et␣

,→quantitatives \n")

corr = data[var_quanti].corr()
mask = np.triu(np.ones_like(corr, dtype=bool))
plt.figure(figsize=(10,8))
sns.heatmap(np.round(corr,1), annot=True, cmap="coolwarm", mask=mask,␣
,→vmax=1, vmin=-1, linewidths=0.5)

plt.title("Matrice de corrélation des variables quantitatives")

plt.show()

plt.figure(figsize=(10,5))
sns.pairplot(data[var_quanti])
plt.show()

# Analyse en série temporelle des variables

ts_var = ['Income', 'MntWines', 'MntFruits','MntMeatProducts',␣
,→'MntFishProducts', 'MntSweetProducts','MntGoldProds', 'NumDealsPurchases',␣

,→'NumWebPurchases',

'NumCatalogPurchases', 'NumStorePurchases', 'NumWebVisitsMonth']

for i in ts_var:
fig, ax = plt.subplots(figsize=(10,5))
ax.scatter(x = data["Dt_Customer"], y = data[i])
plt.title(f'Evoluation du {i}')
plt.xlabel("Date")
plt.ylabel(i)
plt.show()

# Analyse de la relation entre les variables qualitatives et qualitatives

print(f"\Analyse de la relation entre les variables qualitatives et␣
,→qualitatives \n")

for i in var_quali:
for j in var_quali:
if i != j and var_quali.get_loc(i) < var_quali.get_loc(j):
table = pd.crosstab(data[i], data[j])
print(f"Table de contingence entre les variables {i} et {j}␣
,→\n {table}")

plt.figure(figsize=(10,5))
sns.heatmap(table, annot=True, cmap="coolwarm", linewidths=1.
,→5, fmt="d")

plt.title(f"Table de contingence entre les variables {i} et␣

,→{j}")
Draft
plt.show()

# Boucle pour analyser chaque paire (quantitative, qualitative) ␣

,→

7
 for i in var_quanti:
for j in var_quali:
result = data.groupby(j)[i].mean()
print(f"\n La moyenne de la variable {i} par rapport à la␣
,→variable {j} \n {np.round(result,3).sort_values(ascending=False)}")

try:
# Application du test ANOVA
statistic, pvalue = stat.f_oneway(*[data[i][data[j] == level]␣
,→for level in data[j].unique()])

# Déterminer la relation entre les variables

if pvalue < 0.05:
text1 = f"La variable {i} et la variable {j} sont␣
,→dépendantes (p-value = {pvalue:.3f})"

else:
text1 = f"La variable {i} et la variable {j} sont␣
,→indépendantes (p-value = {pvalue:.3f})"

# Affichage des boîtes à moustaches

plt.figure(figsize=(10, 5))
sns.boxplot(x=data[j], y=data[i])
plt.title(text1)
plt.xticks(rotation=45)
plt.show()

except Exception as e:
print(f"Erreur pour la combinaison {i} et {j} : {e}")

Analyse univariée

[94]: # Analyse univariée

UnivariateAnalysis(data, var_quanti,var_quali)

Draft

8
Draft

9
Draft

10
Draft

11
Draft

12
Draft

13
Draft

14
Draft

15
Draft

16
Draft

17
Draft

18
Draft

19
Draft

20
Draft

21
Draft

22
Draft

23
Draft

24
la fréquance des modalités de la variable --Education--
Education
Graduation 50.312500
PhD 21.696429
Master 16.517857
2n Cycle 9.062500
Basic 2.410714
Name: proportion, dtype: float64

Draft

25
 la fréquance des modalités de la variable --Marital_Status--
Marital_Status
Married 38.571429
Together 25.892857
Single 21.428571
Divorced 10.357143
Widow 3.437500
Alone 0.133929
Absurd 0.089286
YOLO 0.089286
Name: proportion, dtype: float64

la fréquance des modalités de la variable --AcceptedCmp3--

AcceptedCmp3
0 92.723214
1 7.276786
Name: proportion, dtype: float64

Draft

26
 la fréquance des modalités de la variable --AcceptedCmp4--
AcceptedCmp4
0 92.544643
1 7.455357
Name: proportion, dtype: float64

Draft

la fréquance des modalités de la variable --AcceptedCmp5--

AcceptedCmp5
0 92.723214

27
1 7.276786
Name: proportion, dtype: float64

la fréquance des modalités de la variable --AcceptedCmp1--

AcceptedCmp1
0 93.571429
1 6.428571
Name: proportion, dtype: float64

Draft

la fréquance des modalités de la variable --AcceptedCmp2--

28
 AcceptedCmp2
0 98.660714
1 1.339286
Name: proportion, dtype: float64

la fréquance des modalités de la variable --Complain--

Complain
0 99.0625
1 0.9375
Name: proportion, dtype: float64

Draft

29
 la fréquance des modalités de la variable --Response--
Response
0 85.089286
1 14.910714
Name: proportion, dtype: float64

Resultat de l’analyse univariée

• Les resultats nous indique la presence des outilers pour certaines variables telle que le
revenu du client, le montant de ses dépenses en : viande, en poisson etc.
• Aucune variable n’est normale.
Gestion des outliers

[95]: # Detection des outliers

def detect_outliers(df):
outliers_dict = {} # Dictionnaire pour stocker les colonnes et leurs␣
,→valeurs aberrantes

for var in df.columns:

if df[var].dtype in ['int64', 'float64']: # Vérifiez que la colonne␣
,→est numérique

q1 = df[var].quantile(0.25)
q3 = df[var].quantile(0.75)
iqr = q3 - q1
vmin = q1 - 1.5 * iqr
vmax = q3 + 1.5 * iqr
# Vérifiez s'il y a des valeurs
Draft aberrantes dans la colonne
outliers = df[(df[var] < vmin) | (df[var] > vmax)]
if not outliers.empty: # Si la colonne contient des valeurs␣
,→aberrantes

outliers_dict[var] = outliers[var].tolist()

30
 list_var = outliers_dict.keys()
return list_var

# Exemple d'utilisation
outliers = detect_outliers(data)
print("Variables avec des valeurs aberrantes :", outliers)

Variables avec des valeurs aberrantes : dict_keys(['Income', 'MntWines',

'MntFruits', 'MntMeatProducts', 'MntFishProducts', 'MntSweetProducts',
'MntGoldProds', 'NumDealsPurchases', 'NumWebPurchases', 'NumCatalogPurchases',
'NumWebVisitsMonth', 'Age'])

[96]: # Traitement des outliers

def Traitement_Outliers(data, features, contamination=0.05):
"""
Cette fonction détecte et gère les outliers en utilisant IsolationForest.

Parameters:
data (pd.DataFrame): Le dataframe contenant les données.
features (list): La liste des colonnes à analyser pour les outliers.
contamination (float): La proportion de données à considérer comme␣
,→outliers.

Returns:
pd.DataFrame: Le dataframe sans les outliers.
"""
# Initialiser le modèle IsolationForest
iso_forest = IsolationForest(contamination=contamination, random_state=42)

# Ajuster le modèle sur les données

iso_forest.fit(data[features])

# Prédire les outliers

data['outlier'] = iso_forest.predict(data[features])

# Garder uniquement les données non-outliers

data_cleaned = data[data['outlier'] == 1].drop(columns=['outlier'])

return data_cleaned

# Utilisation de la fonction
features_to_check = ['Income', 'MntWines', 'MntFruits', 'MntMeatProducts',
'MntFishProducts', 'MntSweetProducts', 'MntGoldProds',
'NumDealsPurchases', 'NumWebPurchases',␣
,→'NumCatalogPurchases',

'NumWebVisitsMonth', 'Age']
data = Traitement_Outliers(data, features_to_check)
Draft

Analyse Bivariée

[106]: AnalyseBivariee(data, var_quanti, var_quali)

31
Analyse de la relation entre les variables quantitatives et quantitatives

<Figure size 1000x500 with 0 Axes>

Draft

32
Draft

33
Draft

34
Draft

35
Draft

36
Draft

37
Draft

38
Draft

39
\Analyse de la relation entre les variables qualitatives et qualitatives

Table de contingence entre les variables Education et Marital_Status

Marital_Status Absurd Alone Divorced Married Single Together Widow \
Education
2n Cycle 0 0 22 79 35 50 5
Basic 0 0 1 19 18 14 1
Graduation 0 1 112 414 233 266 32
Master 1 1 37 135 70 104 10
PhD 0 1 50 184 95 115 21

Marital_Status YOLO
Education
2n Cycle 0
Basic 0
Graduation 0
Master 0
PhD 2

Draft

40
Table de contingence entre les variables Education et AcceptedCmp3
AcceptedCmp3 0 1
Education
2n Cycle 177 14
Basic 47 6
Graduation 986 72
Master 335 23
PhD 429 39

Table de contingence entre les variables Education et AcceptedCmp4

AcceptedCmp4 0 1
Education
2n Cycle 183 8
Basic 53 0
Graduation 986 72
Master 328 30
PhD 423 45

Draft

41
Table de contingence entre les variables Education et AcceptedCmp5
AcceptedCmp5 0 1
Education
2n Cycle 182 9
Basic 53 0
Graduation 996 62
Master 337 21
PhD 432 36

Draft

42
Table de contingence entre les variables Education et AcceptedCmp1
AcceptedCmp1 0 1
Education
2n Cycle 179 12
Basic 53 0
Graduation 1000 58
Master 343 15
PhD 438 30

Table de contingence entre les variables Education et AcceptedCmp2

AcceptedCmp2 0 1
Education
2n Cycle 189 2
Basic 53 0
Graduation 1044 14
Master 356 2
PhD 459 9

Draft

43
Table de contingence entre les variables Education et Complain
Complain 0 1
Education
2n Cycle 187 4
Basic 53 0
Graduation 1044 14
Master 356 2
PhD 467 1

Draft

44
Table de contingence entre les variables Education et Response
Response 0 1
Education
2n Cycle 171 20
Basic 51 2
Graduation 930 128
Master 308 50
PhD 370 98

Table de contingence entre les variables Marital_Status et AcceptedCmp3

AcceptedCmp3 0 1
Marital_Status
Absurd 1 0
Alone 2 1
Divorced 205 17
Married 771 60
Single 413 38
Together 514 35
Widow 66 3
YOLO 2 0

Draft

45
Table de contingence entre les variables Marital_Status et AcceptedCmp4
AcceptedCmp4 0 1
Marital_Status
Absurd 1 0
Alone 3 0
Divorced 205 17
Married 771 60
Single 419 32
Together 513 36
Widow 59 10
YOLO 2 0

Draft

46
Table de contingence entre les variables Marital_Status et AcceptedCmp5
AcceptedCmp5 0 1
Marital_Status
Absurd 1 0
Alone 3 0
Divorced 213 9
Married 775 56
Single 426 25
Together 518 31
Widow 62 7
YOLO 2 0

Table de contingence entre les variables Marital_Status et AcceptedCmp1

AcceptedCmp1 0 1
Marital_Status
Absurd 1 0
Alone 3 0
Divorced 213 9
Married 779 52
Single 422 29
Together 528 21
Widow 65 4
YOLO 2 0

Draft

47
Table de contingence entre les variables Marital_Status et AcceptedCmp2
AcceptedCmp2 0 1
Marital_Status
Absurd 1 0
Alone 3 0
Divorced 219 3
Married 825 6
Single 446 5
Together 537 12
Widow 68 1
YOLO 2 0

Draft

48
Table de contingence entre les variables Marital_Status et Complain
Complain 0 1
Marital_Status
Absurd 1 0
Alone 3 0
Divorced 220 2
Married 823 8
Single 445 6
Together 544 5
Widow 69 0
YOLO 2 0

Table de contingence entre les variables Marital_Status et Response

Response 0 1
Marital_Status
Absurd 1 0
Alone 2 1
Divorced 180 42
Married 741 90
Single 354 97
Together 499 50
Widow 52 17
YOLO 1 1

Draft

49
Table de contingence entre les variables AcceptedCmp3 et AcceptedCmp4
AcceptedCmp4 0 1
AcceptedCmp3
0 1819 155
1 154 0

Draft
Table de contingence entre les variables AcceptedCmp3 et AcceptedCmp5
AcceptedCmp5 0 1
AcceptedCmp3
0 1862 112

50
1 138 16

Table de contingence entre les variables AcceptedCmp3 et AcceptedCmp1

AcceptedCmp1 0 1
AcceptedCmp3
0 1876 98
1 137 17

Draft

Table de contingence entre les variables AcceptedCmp3 et AcceptedCmp2

AcceptedCmp2 0 1

51
AcceptedCmp3
0 1953 21
1 148 6

Table de contingence entre les variables AcceptedCmp3 et Complain

Complain 0 1
AcceptedCmp3
0 1955 19
1 152 2

Draft

52
Table de contingence entre les variables AcceptedCmp3 et Response
Response 0 1
AcceptedCmp3
0 1746 228
1 84 70

Table de contingence entre les variables AcceptedCmp4 et AcceptedCmp5

AcceptedCmp5 0 1
AcceptedCmp4
0 1896 77
1 104 51

Draft

53
Table de contingence entre les variables AcceptedCmp4 et AcceptedCmp1
AcceptedCmp1 0 1
AcceptedCmp4
0 1895 78
1 118 37

Table de contingence entre les variables AcceptedCmp4 et AcceptedCmp2

AcceptedCmp2 0 1
AcceptedCmp4
0 1966 7
1 135 20

Draft

54
Table de contingence entre les variables AcceptedCmp4 et Complain
Complain 0 1
AcceptedCmp4
0 1952 21
1 155 0

Draft

Table de contingence entre les variables AcceptedCmp4 et Response

Response 0 1
AcceptedCmp4

55
0 1729 244
1 101 54

Table de contingence entre les variables AcceptedCmp5 et AcceptedCmp1

AcceptedCmp1 0 1
AcceptedCmp5
0 1932 68
1 81 47

Draft

Table de contingence entre les variables AcceptedCmp5 et AcceptedCmp2

56
 AcceptedCmp2 0 1
AcceptedCmp5
0 1988 12
1 113 15

Table de contingence entre les variables AcceptedCmp5 et Complain

Complain 0 1
AcceptedCmp5
0 1980 20
1 127 1

Draft

57
Table de contingence entre les variables AcceptedCmp5 et Response
Response 0 1
AcceptedCmp5
0 1770 230
1 60 68

Table de contingence entre les variables AcceptedCmp1 et AcceptedCmp2

AcceptedCmp2 0 1
AcceptedCmp1
0 1997 16
1 104 11

Draft

58
Table de contingence entre les variables AcceptedCmp1 et Complain
Complain 0 1
AcceptedCmp1
0 1992 21
1 115 0

Draft

Table de contingence entre les variables AcceptedCmp1 et Response

Response 0 1
AcceptedCmp1

59
0 1775 238
1 55 60

Table de contingence entre les variables AcceptedCmp2 et Complain

Complain 0 1
AcceptedCmp2
0 2080 21
1 27 0

Draft

Table de contingence entre les variables AcceptedCmp2 et Response

60
 Response 0 1
AcceptedCmp2
0 1820 281
1 10 17

Table de contingence entre les variables Complain et Response

Response 0 1
Complain
0 1812 295
1 18 3

Draft

61
 La moyenne de la variable Income par rapport à la variable Education
Education
PhD 55108.336
Master 52154.797
Graduation 51140.898
2n Cycle 46445.815
Basic 20039.491
Name: Income, dtype: float64

La moyenne de la variable Income par rapport à la variable Marital_Status

Marital_Status
Absurd 65487.000
Widow 55029.033
Divorced 51775.734
Together 51655.085
Married 50809.266
Single 49526.290
YOLO 48432.000
Alone 43789.000
Name: Income, dtype: float64

Draft

62
 La moyenne de la variable Income par rapport à la variable AcceptedCmp3
AcceptedCmp3
0 51122.883
1 49258.844
Name: Income, dtype: float64

Draft

La moyenne de la variable Income par rapport à la variable AcceptedCmp4

AcceptedCmp4
1 67094.844

63
0 49722.621
Name: Income, dtype: float64

La moyenne de la variable Income par rapport à la variable AcceptedCmp5

AcceptedCmp5
1 80865.236
0 49075.841
Name: Income, dtype: float64

Draft

La moyenne de la variable Income par rapport à la variable AcceptedCmp1

AcceptedCmp1

64
1 77006.439
0 49501.586
Name: Income, dtype: float64

La moyenne de la variable Income par rapport à la variable AcceptedCmp2

AcceptedCmp2
1 70985.963
0 50730.991
Name: Income, dtype: float64

Draft

La moyenne de la variable Income par rapport à la variable Complain

65
 Complain
0 51045.251
1 45242.286
Name: Income, dtype: float64

La moyenne de la variable Income par rapport à la variable Response

Response
1 57685.065
0 49897.423
Name: Income, dtype: float64

Draft

66
 La moyenne de la variable Kidhome par rapport à la variable Education
Education
Basic 0.642
2n Cycle 0.497
Graduation 0.470
Master 0.469
PhD 0.417
Name: Kidhome, dtype: float64

La moyenne de la variable Kidhome par rapport à la variable Marital_Status

Marital_Status
Alone 1.000
Single 0.492
Married 0.472
Together 0.472
Divorced 0.428
Widow 0.261
Absurd 0.000
YOLO 0.000
Name: Kidhome, dtype: float64

Draft

67
 La moyenne de la variable Kidhome par rapport à la variable AcceptedCmp3
AcceptedCmp3
1 0.500
0 0.462
Name: Kidhome, dtype: float64

Draft

La moyenne de la variable Kidhome par rapport à la variable AcceptedCmp4

AcceptedCmp4
0 0.490

68
1 0.148
Name: Kidhome, dtype: float64

La moyenne de la variable Kidhome par rapport à la variable AcceptedCmp5

AcceptedCmp5
0 0.490
1 0.062
Name: Kidhome, dtype: float64

Draft

La moyenne de la variable Kidhome par rapport à la variable AcceptedCmp1

69
 AcceptedCmp1
0 0.485
1 0.104
Name: Kidhome, dtype: float64

La moyenne de la variable Kidhome par rapport à la variable AcceptedCmp2

AcceptedCmp2
0 0.470
1 0.074
Name: Kidhome, dtype: float64

Draft

70
 La moyenne de la variable Kidhome par rapport à la variable Complain
Complain
1 0.667
0 0.463
Name: Kidhome, dtype: float64

La moyenne de la variable Kidhome par rapport à la variable Response

Response
0 0.478
1 0.383
Name: Kidhome, dtype: float64

Draft

71
 La moyenne de la variable Teenhome par rapport à la variable Education
Education
PhD 0.607
Master 0.547
Graduation 0.516
2n Cycle 0.403
Basic 0.094
Name: Teenhome, dtype: float64

La moyenne de la variable Teenhome par rapport à la variable Marital_Status

Marital_Status
YOLO 1.000
Alone 0.667
Widow 0.667
Divorced 0.599
Together 0.545
Married 0.526
Single 0.419
Absurd 0.000
Name: Teenhome, dtype: float64

Draft

72
 La moyenne de la variable Teenhome par rapport à la variable AcceptedCmp3
AcceptedCmp3
0 0.528
1 0.429
Name: Teenhome, dtype: float64

Draft

La moyenne de la variable Teenhome par rapport à la variable AcceptedCmp4

AcceptedCmp4
1 0.619

73
0 0.513
Name: Teenhome, dtype: float64

La moyenne de la variable Teenhome par rapport à la variable AcceptedCmp5

AcceptedCmp5
0 0.544
1 0.148
Name: Teenhome, dtype: float64

Draft

La moyenne de la variable Teenhome par rapport à la variable AcceptedCmp1

74
 AcceptedCmp1
0 0.536
1 0.261
Name: Teenhome, dtype: float64

La moyenne de la variable Teenhome par rapport à la variable AcceptedCmp2

AcceptedCmp2
0 0.522
1 0.407
Name: Teenhome, dtype: float64

Draft

75
 La moyenne de la variable Teenhome par rapport à la variable Complain
Complain
1 0.524
0 0.521
Name: Teenhome, dtype: float64

La moyenne de la variable Teenhome par rapport à la variable Response

Response
0 0.552
1 0.329
Name: Teenhome, dtype: float64

Draft

76
 La moyenne de la variable Recency par rapport à la variable Education
Education
Graduation 50.200
2n Cycle 48.241
PhD 48.150
Master 47.749
Basic 47.623
Name: Recency, dtype: float64

La moyenne de la variable Recency par rapport à la variable Marital_Status

Marital_Status
Together 50.035
Single 49.860
Widow 49.217
Divorced 49.203
Married 48.205
Absurd 48.000
Alone 30.333
YOLO 3.000
Name: Recency, dtype: float64

Draft

77
 La moyenne de la variable Recency par rapport à la variable AcceptedCmp3
AcceptedCmp3
0 49.487
1 44.091
Name: Recency, dtype: float64

Draft

La moyenne de la variable Recency par rapport à la variable AcceptedCmp4

AcceptedCmp4

78
1 50.716
0 48.970
Name: Recency, dtype: float64

La moyenne de la variable Recency par rapport à la variable AcceptedCmp5

AcceptedCmp5
1 49.328
0 49.082
Name: Recency, dtype: float64

Draft

79
 La moyenne de la variable Recency par rapport à la variable AcceptedCmp1
AcceptedCmp1
0 49.302
1 45.504
Name: Recency, dtype: float64

La moyenne de la variable Recency par rapport à la variable AcceptedCmp2

AcceptedCmp2
0 49.105
1 48.444
Name: Recency, dtype: float64

Draft

80
 La moyenne de la variable Recency par rapport à la variable Complain
Complain
1 53.048
0 49.057
Name: Recency, dtype: float64

La moyenne de la variable Recency par rapport à la variable Response

Response
0 51.531
1 34.151
Name: Recency, dtype: float64

Draft

81
 La moyenne de la variable MntWines par rapport à la variable Education
Education
PhD 395.547
Master 315.243
Graduation 264.464
2n Cycle 180.885
Basic 3.075
Name: MntWines, dtype: float64

La moyenne de la variable MntWines par rapport à la variable Marital_Status

Marital_Status
Widow 360.101
YOLO 322.000
Divorced 303.171
Married 286.815
Together 285.492
Single 274.548
Absurd 240.000
Alone 184.667
Name: MntWines, dtype: float64

Draft

82
 La moyenne de la variable MntWines par rapport à la variable AcceptedCmp3
AcceptedCmp3
1 342.610
0 283.549
Name: MntWines, dtype: float64

Draft

La moyenne de la variable MntWines par rapport à la variable AcceptedCmp4

AcceptedCmp4
1 736.161

83
0 252.602
Name: MntWines, dtype: float64

La moyenne de la variable MntWines par rapport à la variable AcceptedCmp5

AcceptedCmp5
1 861.508
0 251.108
Name: MntWines, dtype: float64

Draft

La moyenne de la variable MntWines par rapport à la variable AcceptedCmp1

84
 AcceptedCmp1
1 736.991
0 262.163
Name: MntWines, dtype: float64

La moyenne de la variable MntWines par rapport à la variable AcceptedCmp2

AcceptedCmp2
1 899.778
0 279.959
Name: MntWines, dtype: float64

Draft

85
 La moyenne de la variable MntWines par rapport à la variable Complain
Complain
0 289.008
1 169.000
Name: MntWines, dtype: float64

La moyenne de la variable MntWines par rapport à la variable Response

Response
1 462.517
0 259.376
Name: MntWines, dtype: float64

Draft

86
 La moyenne de la variable MntFruits par rapport à la variable Education
Education
Graduation 26.419
2n Cycle 24.293
Master 19.330
PhD 17.620
Basic 9.019
Name: MntFruits, dtype: float64

La moyenne de la variable MntFruits par rapport à la variable Marital_Status

Marital_Status
Absurd 67.000
Widow 24.971
Divorced 24.392
Single 23.162
Married 22.684
Together 21.341
Alone 4.000
YOLO 3.000
Name: MntFruits, dtype: float64

Draft

87
 La moyenne de la variable MntFruits par rapport à la variable AcceptedCmp3
AcceptedCmp3
1 24.000
0 22.563
Name: MntFruits, dtype: float64

Draft

La moyenne de la variable MntFruits par rapport à la variable AcceptedCmp4

AcceptedCmp4

88
1 23.284
0 22.618
Name: MntFruits, dtype: float64

La moyenne de la variable MntFruits par rapport à la variable AcceptedCmp5

AcceptedCmp5
1 44.516
0 21.268
Name: MntFruits, dtype: float64

Draft

89
 La moyenne de la variable MntFruits par rapport à la variable AcceptedCmp1
AcceptedCmp1
1 42.296
0 21.545
Name: MntFruits, dtype: float64

La moyenne de la variable MntFruits par rapport à la variable AcceptedCmp2

AcceptedCmp2
0 22.721
1 18.444
Name: MntFruits, dtype: float64

Draft

90
 La moyenne de la variable MntFruits par rapport à la variable Complain
Complain
1 24.190
0 22.652
Name: MntFruits, dtype: float64

La moyenne de la variable MntFruits par rapport à la variable Response

Response
1 31.017
0 21.307
Name: MntFruits, dtype: float64

Draft

91
 La moyenne de la variable MntMeatProducts par rapport à la variable Education
Education
Graduation 156.087
PhD 154.472
Master 147.168
2n Cycle 131.162
Basic 9.358
Name: MntMeatProducts, dtype: float64

La moyenne de la variable MntMeatProducts par rapport à la variable

Marital_Status
Marital_Status
Absurd 500.000
Widow 167.493
Single 161.920
Together 146.279
Married 142.810
Divorced 141.545
YOLO 50.000
Alone 26.333
Name: MntMeatProducts, dtype: float64
Draft

92
 La moyenne de la variable MntMeatProducts par rapport à la variable
AcceptedCmp3
AcceptedCmp3
1 165.416
0 147.008
Name: MntMeatProducts, dtype: float64

Draft

La moyenne de la variable MntMeatProducts par rapport à la variable

AcceptedCmp4

93
 AcceptedCmp4
1 215.600
0 143.056
Name: MntMeatProducts, dtype: float64

La moyenne de la variable MntMeatProducts par rapport à la variable

AcceptedCmp5
AcceptedCmp5
1 429.398
0 130.352
Name: MntMeatProducts, dtype: float64

Draft

94
 La moyenne de la variable MntMeatProducts par rapport à la variable
AcceptedCmp1
AcceptedCmp1
1 403.713
0 133.751
Name: MntMeatProducts, dtype: float64

La moyenne de la variable MntMeatProducts par rapport à la variable

AcceptedCmp2
AcceptedCmp2
1 251.852
0 147.010
Name: MntMeatProducts, dtype: float64

Draft

95
 La moyenne de la variable MntMeatProducts par rapport à la variable Complain
Complain
0 148.697
1 112.476
Name: MntMeatProducts, dtype: float64

La moyenne de la variable MntMeatProducts par rapport à la variable Response

Response
1 261.312
0 129.943
Name: MntMeatProducts, dtype: float64

Draft

96
 La moyenne de la variable MntFishProducts par rapport à la variable Education
Education
2n Cycle 42.230
Graduation 36.384
Master 29.321
PhD 24.991
Basic 13.453
Name: MntFishProducts, dtype: float64

Draft

97
 La moyenne de la variable MntFishProducts par rapport à la variable
Marital_Status
Marital_Status
Absurd 199.000
Widow 40.232
Together 33.184
Single 32.568
Divorced 32.018
Married 31.824
Alone 7.667
YOLO 4.000
Name: MntFishProducts, dtype: float64

La moyenne de la variable MntFishProducts par rapport à la variable

AcceptedCmp3
AcceptedCmp3
1 33.182
0 32.602
Name: MntFishProducts, dtype: float64

Draft

98
 La moyenne de la variable MntFishProducts par rapport à la variable
AcceptedCmp4
AcceptedCmp4
0 32.655
1 32.503
Name: MntFishProducts, dtype: float64

Draft

La moyenne de la variable MntFishProducts par rapport à la variable

AcceptedCmp5
AcceptedCmp5

99
1 63.484
0 30.670
Name: MntFishProducts, dtype: float64

La moyenne de la variable MntFishProducts par rapport à la variable

AcceptedCmp1
AcceptedCmp1
1 75.243
0 30.210
Name: MntFishProducts, dtype: float64

Draft

100
 La moyenne de la variable MntFishProducts par rapport à la variable
AcceptedCmp2
AcceptedCmp2
1 36.185
0 32.598
Name: MntFishProducts, dtype: float64

La moyenne de la variable MntFishProducts par rapport à la variable Complain

Complain
0 32.712
1 25.762
Name: MntFishProducts, dtype: float64

Draft

101
 La moyenne de la variable MntFishProducts par rapport à la variable Response
Response
1 42.815
0 30.987
Name: MntFishProducts, dtype: float64

La moyenne de la variable MntSweetProducts par rapport à la variable Education

Education
2n Cycle 28.262
Graduation 26.607
Master 18.813
PhD 17.906
Basic 9.906
Name: MntSweetProducts, dtype: float64

Draft

102
 La moyenne de la variable MntSweetProducts par rapport à la variable
Marital_Status
Marital_Status
Widow 30.565
Married 24.049
Single 23.665
Divorced 22.806
Together 20.639
Alone 7.000
YOLO 3.000
Absurd 0.000
Name: MntSweetProducts, dtype: float64

Draft

103
 La moyenne de la variable MntSweetProducts par rapport à la variable
AcceptedCmp3
AcceptedCmp3
0 23.151
1 22.643
Name: MntSweetProducts, dtype: float64

Draft

La moyenne de la variable MntSweetProducts par rapport à la variable

AcceptedCmp4

104
 AcceptedCmp4
1 24.742
0 22.987
Name: MntSweetProducts, dtype: float64

La moyenne de la variable MntSweetProducts par rapport à la variable

AcceptedCmp5
AcceptedCmp5
1 56.867
0 20.954
Name: MntSweetProducts, dtype: float64

Draft

105
 La moyenne de la variable MntSweetProducts par rapport à la variable
AcceptedCmp1
AcceptedCmp1
1 52.235
0 21.451
Name: MntSweetProducts, dtype: float64

La moyenne de la variable MntSweetProducts par rapport à la variable

AcceptedCmp2
AcceptedCmp2
1 24.926
0 23.091
Name: MntSweetProducts, dtype: float64

Draft

106
 La moyenne de la variable MntSweetProducts par rapport à la variable Complain
Complain
0 23.170
1 17.524
Name: MntSweetProducts, dtype: float64

La moyenne de la variable MntSweetProducts par rapport à la variable Response

Response
1 32.846
0 21.530
Name: MntSweetProducts, dtype: float64

Draft

107
 La moyenne de la variable MntGoldProds par rapport à la variable Education
Education
Graduation 45.638
2n Cycle 41.654
Master 37.497
PhD 29.853
Basic 22.698
Name: MntGoldProds, dtype: float64

Draft

108
 La moyenne de la variable MntGoldProds par rapport à la variable Marital_Status
Marital_Status
Absurd 163.000
Widow 50.957
Divorced 42.613
YOLO 42.000
Married 39.481
Together 39.102
Single 38.268
Alone 27.000
Name: MntGoldProds, dtype: float64

La moyenne de la variable MntGoldProds par rapport à la variable AcceptedCmp3

AcceptedCmp3
1 62.955
0 38.067
Name: MntGoldProds, dtype: float64

Draft

109
 La moyenne de la variable MntGoldProds par rapport à la variable AcceptedCmp4
AcceptedCmp4
1 43.361
0 39.594
Name: MntGoldProds, dtype: float64

Draft
La moyenne de la variable MntGoldProds par rapport à la variable AcceptedCmp5
AcceptedCmp5
1 62.984
0 38.388

110
Name: MntGoldProds, dtype: float64

La moyenne de la variable MntGoldProds par rapport à la variable AcceptedCmp1

AcceptedCmp1
1 64.139
0 38.481
Name: MntGoldProds, dtype: float64

Draft

La moyenne de la variable MntGoldProds par rapport à la variable AcceptedCmp2

AcceptedCmp2

111
1 59.259
0 39.619
Name: MntGoldProds, dtype: float64

La moyenne de la variable MntGoldProds par rapport à la variable Complain

Complain
0 39.991
1 27.476
Name: MntGoldProds, dtype: float64

Draft

112
 La moyenne de la variable MntGoldProds par rapport à la variable Response
Response
1 53.436
0 37.658
Name: MntGoldProds, dtype: float64

La moyenne de la variable NumDealsPurchases par rapport à la variable Education

Education
Master 2.475
Graduation 2.358
PhD 2.340
2n Cycle 2.147
Basic 1.717
Name: NumDealsPurchases, dtype: float64

Draft

113
 La moyenne de la variable NumDealsPurchases par rapport à la variable
Marital_Status
Marital_Status
YOLO 5.000
Alone 3.667
Absurd 3.000
Widow 2.406
Divorced 2.405
Married 2.381
Together 2.352
Single 2.180
Name: NumDealsPurchases, dtype: float64

Draft

114
 La moyenne de la variable NumDealsPurchases par rapport à la variable
AcceptedCmp3
AcceptedCmp3
0 2.351
1 2.188
Name: NumDealsPurchases, dtype: float64

Draft

La moyenne de la variable NumDealsPurchases par rapport à la variable

AcceptedCmp4

115
 AcceptedCmp4
1 2.542
0 2.323
Name: NumDealsPurchases, dtype: float64

La moyenne de la variable NumDealsPurchases par rapport à la variable

AcceptedCmp5
AcceptedCmp5
0 2.416
1 1.125
Name: NumDealsPurchases, dtype: float64

Draft

116
 La moyenne de la variable NumDealsPurchases par rapport à la variable
AcceptedCmp1
AcceptedCmp1
0 2.383
1 1.565
Name: NumDealsPurchases, dtype: float64

La moyenne de la variable NumDealsPurchases par rapport à la variable

AcceptedCmp2
AcceptedCmp2
0 2.349
1 1.556
Name: NumDealsPurchases, dtype: float64

Draft

117
 La moyenne de la variable NumDealsPurchases par rapport à la variable Complain
Complain
0 2.339
1 2.333
Name: NumDealsPurchases, dtype: float64

La moyenne de la variable NumDealsPurchases par rapport à la variable Response

Response
1 2.430
0 2.324
Name: NumDealsPurchases, dtype: float64

Draft

118
 La moyenne de la variable NumWebPurchases par rapport à la variable Education
Education
PhD 4.348
Graduation 4.000
Master 4.000
2n Cycle 3.581
Basic 1.717
Name: NumWebPurchases, dtype: float64

Draft

119
 La moyenne de la variable NumWebPurchases par rapport à la variable
Marital_Status
Marital_Status
YOLO 7.000
Alone 5.000
Widow 4.551
Divorced 4.275
Married 4.046
Together 3.978
Single 3.621
Absurd 3.000
Name: NumWebPurchases, dtype: float64

La moyenne de la variable NumWebPurchases par rapport à la variable

AcceptedCmp3
AcceptedCmp3
1 4.435
0 3.947
Name: NumWebPurchases, dtype: float64

Draft

120
 La moyenne de la variable NumWebPurchases par rapport à la variable
AcceptedCmp4
AcceptedCmp4
1 5.606
0 3.855
Name: NumWebPurchases, dtype: float64

Draft

La moyenne de la variable NumWebPurchases par rapport à la variable

AcceptedCmp5
AcceptedCmp5

121
1 5.508
0 3.884
Name: NumWebPurchases, dtype: float64

La moyenne de la variable NumWebPurchases par rapport à la variable

AcceptedCmp1
AcceptedCmp1
1 5.783
0 3.879
Name: NumWebPurchases, dtype: float64

Draft

122
 La moyenne de la variable NumWebPurchases par rapport à la variable
AcceptedCmp2
AcceptedCmp2
1 5.074
0 3.968
Name: NumWebPurchases, dtype: float64

La moyenne de la variable NumWebPurchases par rapport à la variable Complain

Complain
0 3.986
1 3.619
Name: NumWebPurchases, dtype: float64

Draft

123
 La moyenne de la variable NumWebPurchases par rapport à la variable Response
Response
1 5.010
0 3.815
Name: NumWebPurchases, dtype: float64

La moyenne de la variable NumCatalogPurchases par rapport à la variable

Education
Education
PhD 2.767
Master 2.480
Graduation 2.425
2n Cycle 2.105
Basic 0.453
Name: NumCatalogPurchases, dtype: float64

Draft

124
 La moyenne de la variable NumCatalogPurchases par rapport à la variable
Marital_Status
Marital_Status
Absurd 5.000
Widow 2.986
Divorced 2.477
Together 2.450
Single 2.410
Married 2.380
YOLO 1.000
Alone 0.667
Name: NumCatalogPurchases, dtype: float64

Draft

125
 La moyenne de la variable NumCatalogPurchases par rapport à la variable
AcceptedCmp3
AcceptedCmp3
1 3.513
0 2.348
Name: NumCatalogPurchases, dtype: float64

Draft

La moyenne de la variable NumCatalogPurchases par rapport à la variable

AcceptedCmp4

126
 AcceptedCmp4
1 3.897
0 2.317
Name: NumCatalogPurchases, dtype: float64

La moyenne de la variable NumCatalogPurchases par rapport à la variable

AcceptedCmp5
AcceptedCmp5
1 5.648
0 2.226
Name: NumCatalogPurchases, dtype: float64

Draft

127
 La moyenne de la variable NumCatalogPurchases par rapport à la variable
AcceptedCmp1
AcceptedCmp1
1 5.704
0 2.245
Name: NumCatalogPurchases, dtype: float64

La moyenne de la variable NumCatalogPurchases par rapport à la variable

AcceptedCmp2
AcceptedCmp2
1 4.926
0 2.400
Name: NumCatalogPurchases, dtype: float64

Draft

128
 La moyenne de la variable NumCatalogPurchases par rapport à la variable
Complain
Complain
0 2.436
1 2.048
Name: NumCatalogPurchases, dtype: float64

La moyenne de la variable NumCatalogPurchases par rapport à la variable

Response
Response
1 3.799
0 2.209
Name: NumCatalogPurchases, dtype: float64

Draft

129
 La moyenne de la variable NumStorePurchases par rapport à la variable Education
Education
PhD 6.058
Master 5.799
Graduation 5.706
2n Cycle 5.304
Basic 2.755
Name: NumStorePurchases, dtype: float64

Draft

130
 La moyenne de la variable NumStorePurchases par rapport à la variable
Marital_Status
Marital_Status
Widow 6.275
Absurd 6.000
YOLO 6.000
Married 5.788
Divorced 5.707
Together 5.607
Single 5.519
Alone 4.000
Name: NumStorePurchases, dtype: float64

La moyenne de la variable NumStorePurchases par rapport à la variable

AcceptedCmp3
AcceptedCmp3
0 5.751
1 4.896
Name: NumStorePurchases, dtype: float64

Draft

131
 La moyenne de la variable NumStorePurchases par rapport à la variable
AcceptedCmp4
AcceptedCmp4
1 7.768
0 5.526
Name: NumStorePurchases, dtype: float64

Draft

La moyenne de la variable NumStorePurchases par rapport à la variable

AcceptedCmp5
AcceptedCmp5

132
1 8.328
0 5.520
Name: NumStorePurchases, dtype: float64

La moyenne de la variable NumStorePurchases par rapport à la variable

AcceptedCmp1
AcceptedCmp1
1 7.948
0 5.560
Name: NumStorePurchases, dtype: float64

Draft

133
 La moyenne de la variable NumStorePurchases par rapport à la variable
AcceptedCmp2
AcceptedCmp2
1 7.926
0 5.661
Name: NumStorePurchases, dtype: float64

La moyenne de la variable NumStorePurchases par rapport à la variable Complain

Complain
0 5.694
1 5.238
Name: NumStorePurchases, dtype: float64

Draft

134
 La moyenne de la variable NumStorePurchases par rapport à la variable Response
Response
1 5.896
0 5.656
Name: NumStorePurchases, dtype: float64

La moyenne de la variable NumWebVisitsMonth par rapport à la variable Education

Education
Basic 6.830
2n Cycle 5.513
Graduation 5.432
PhD 5.361
Master 5.221
Name: NumWebVisitsMonth, dtype: float64

Draft

135
 La moyenne de la variable NumWebVisitsMonth par rapport à la variable
Marital_Status
Marital_Status
YOLO 8.000
Alone 6.333
Divorced 5.568
Married 5.462
Single 5.406
Together 5.366
Widow 4.986
Absurd 2.000
Name: NumWebVisitsMonth, dtype: float64

Draft

136
 La moyenne de la variable NumWebVisitsMonth par rapport à la variable
AcceptedCmp3
AcceptedCmp3
1 5.994
0 5.378
Name: NumWebVisitsMonth, dtype: float64

Draft

La moyenne de la variable NumWebVisitsMonth par rapport à la variable

AcceptedCmp4
AcceptedCmp4

137
0 5.44
1 5.20
Name: NumWebVisitsMonth, dtype: float64

La moyenne de la variable NumWebVisitsMonth par rapport à la variable

AcceptedCmp5
AcceptedCmp5
0 5.572
1 3.094
Name: NumWebVisitsMonth, dtype: float64

Draft

138
 La moyenne de la variable NumWebVisitsMonth par rapport à la variable
AcceptedCmp1
AcceptedCmp1
0 5.520
1 3.722
Name: NumWebVisitsMonth, dtype: float64

La moyenne de la variable NumWebVisitsMonth par rapport à la variable

AcceptedCmp2
AcceptedCmp2
0 5.426
1 5.185
Name: NumWebVisitsMonth, dtype: float64

Draft

139
 La moyenne de la variable NumWebVisitsMonth par rapport à la variable Complain
Complain
1 5.810
0 5.419
Name: NumWebVisitsMonth, dtype: float64

La moyenne de la variable NumWebVisitsMonth par rapport à la variable Response

Response
1 5.554
0 5.402
Name: NumWebVisitsMonth, dtype: float64

Draft

140
 La moyenne de la variable Age par rapport à la variable Education
Education
PhD 58.769
Master 58.165
Graduation 55.490
2n Cycle 52.916
Basic 47.604
Name: Age, dtype: float64

La moyenne de la variable Age par rapport à la variable Marital_Status

Marital_Status
Absurd 68.000
Widow 66.130
Divorced 58.752
Together 57.281
Married 55.496
Single 53.585
Alone 52.000
YOLO 52.000
Name: Age, dtype: float64
Draft

141
 La moyenne de la variable Age par rapport à la variable AcceptedCmp3
AcceptedCmp3
0 56.436
1 53.643
Name: Age, dtype: float64

Draft

La moyenne de la variable Age par rapport à la variable AcceptedCmp4

AcceptedCmp4

142
1 58.606
0 56.047
Name: Age, dtype: float64

La moyenne de la variable Age par rapport à la variable AcceptedCmp5

AcceptedCmp5
0 56.240
1 56.125
Name: Age, dtype: float64

Draft

143
 La moyenne de la variable Age par rapport à la variable AcceptedCmp1
AcceptedCmp1
1 57.078
0 56.185
Name: Age, dtype: float64

La moyenne de la variable Age par rapport à la variable AcceptedCmp2

AcceptedCmp2
1 56.556
0 56.229
Name: Age, dtype: float64

Draft

144
 La moyenne de la variable Age par rapport à la variable Complain
Complain
1 59.905
0 56.197
Name: Age, dtype: float64

La moyenne de la variable Age par rapport à la variable Response

Response
0 56.315
1 55.732
Name: Age, dtype: float64

Draft

145
 0.2 CLUSTERING
Il s’agit de segmenter les clients en fonction non seulement de leur revenu mais aussi des
l’historique de leur achat.

[97]: # Sélection des variables pour le clustering

clustering_features = data[["Income", "MntWines", "MntMeatProducts",␣
,→"MntFishProducts"]]

# Normalisation des données

scaler = StandardScaler()
clustering_scaled = scaler.fit_transform(clustering_features)

# Trouver le bon nombre de clusters (Méthode du coude)

inertia = []
K_range = range(2, 10)
for k in K_range:
kmeans = KMeans(n_clusters=k, random_state=42, n_init=10)
kmeans.fit(clustering_scaled)
inertia.append(kmeans.inertia_)

# Affichage de la courbe
plt.figure(figsize=(8, 5))
plt.plot(K_range, inertia, marker="o")
plt.xlabel("Nombre de clusters (k)")
plt.ylabel("Inertia")
plt.title("Méthode du coude pour choisir k")
plt.show()

Draft

146
[98]: # Appliquer K-Means avec le k optimal trouvé
optimal_k = 4
kmeans = KMeans(n_clusters=optimal_k, random_state=42, n_init=10)
data["Segment_Client"] = kmeans.fit_predict(clustering_scaled)
for i in ["Income", "MntWines", "MntMeatProducts", "MntFishProducts"]:
# Visualisation des segments
plt.figure(figsize=(10,5))
sns.boxplot(x="Segment_Client", y=i, data=data)
plt.title(f"Répartition du {i} par segment")
plt.show()

Draft

147
Draft

148
Resultat
• Revenu (income) :
Les outliers dans les segments 0 et 2 indiquent une certaine hétérogénéité dans les revenus
au sein de ces groupes, car quelque éléments du groupe détient un revenu très important.
Les segments 1 et 3 présentent une distribution plus cohérente, avec peu ou pas d’écarts
marqués.
Ces informations peuvent guider les décisions basées sur les revenus, comme la personnal-
isation d’offres.
• Fruits (MntFishProducts):
Le graphique met en évidence des comportements très différents entre les segments. En
effet,
Les clients du segment 3 dépensent le plus pour les produits de mer, tandis que ceux du
segment 1 dépensent généralement très peu, mais avec quelques exceptions.
• Vin (MntWines):
Les segments 0 et 1 représentent des extrêmes : dépenses très élevées en vin (segment 0)
contre dépenses très faibles (segment 1).
Les segments 2 et 3 sont modérés, avec des comportements légèrement différents en termes
d’homogénéité.
• Viande (MntMeatProducts)
Le segment 1 et 2 sont ceux qui consomment plus la viande contraire au segment 0 qui a
une consommation modérée en viande.

Draft

149
 0.3 Modélisation
L’objectif principal, ici, c’est de prédire si un client acceptera ou non une offre lors de la dernière
campagne après 5 campagne.
Instancier le modèle

[99]: # Variable cible et caractéristique

features = data.drop(columns=["Segment_Client","Dt_Customer","Response"])
target = data["Response"]

# Pretraitement
prepros = ColumnTransformer([
("cat", OneHotEncoder(),["Education","Marital_Status"]),
("norm", StandardScaler(), var_quanti)
], remainder='passthrough')

# Parametrage du modele
pipe_model = Pipeline([
('Preprocessing',prepros),
('model',␣
,→RandomForestClassifier(n_estimators=100,criterion='gini',max_features=int(np.

,→sqrt(features.shape[1]))))

])

[100]: # Séparation du data

X_train, X_test, y_train, y_test =␣
,→train_test_split(features,target,test_size=0.2, random_state=42)

print(f"La dimension du set de train (feature): {X_train.shape}")

print(f"La dimension du set de train (target): {y_train.shape}")
print(f"La dimension du set de test (feature): {X_test.shape}")
print(f"La dimension du set de test (target): {y_test.shape}")

La dimension du set de train (feature): (1702, 24)

La dimension du set de train (target): (1702,)
La dimension du set de test (feature): (426, 24)
La dimension du set de test (target): (426,)
Entrainement du modèle

[101]: # Entrainement du modèle

pipe_model.fit(X_train,y_train)

[101]: Pipeline(steps=[('Preprocessing',
ColumnTransformer(remainder='passthrough',
transformers=[('cat', OneHotEncoder(),
['Education',
Draft 'Marital_Status']),
('norm', StandardScaler(),
Index(['Income', 'Kidhome',
'Teenhome', 'Recency', 'MntWines', 'MntFruits',
'MntMeatProducts', 'MntFishProducts', 'MntSweetProducts',

150
 'MntGoldProds', 'NumDealsPurchases', 'NumWebPurchases',
'NumCatalogPurchases', 'NumStorePurchases', 'NumWebVisitsMonth',␣
,→'Age'],

dtype='object'))])),
('model', RandomForestClassifier(max_features=4))])

Prediction, évaluation du modèle, identification des variable influencant l’efficacité

du modèle

[102]: # Prediction
y_pred = pipe_model.predict(X_test)
print(classification_report(y_test,y_pred))

# Detection des variables les plus importantes

model = pipe_model.named_steps["model"]
var_importante = np.round(model.feature_importances_,3)
var_importante_name = prepros.get_feature_names_out()

df_important = pd.DataFrame(
{
"variable importante": var_importante_name,
"variable" : var_importante
}
)

df_important.sort_values(by="variable",ascending=False)

precision recall f1-score support

0 0.91 0.97 0.94 375

1 0.58 0.29 0.39 51

accuracy 0.89 426

macro avg 0.74 0.63 0.66 426
weighted avg 0.87 0.89 0.87 426

[102]: variable importante variable

16 norm__Recency 0.084
13 norm__Income 0.083
17 norm__MntWines 0.081
19 norm__MntMeatProducts 0.079
22 norm__MntGoldProds 0.064
28 norm__Age 0.052
21 norm__MntSweetProducts 0.048
18 norm__MntFruits 0.047
20 norm__MntFishProducts 0.043
26 norm__NumStorePurchases Draft
0.042
27 norm__NumWebVisitsMonth 0.040
25 norm__NumCatalogPurchases 0.038
24 norm__NumWebPurchases 0.036
23 norm__NumDealsPurchases 0.035

151
 31 remainder__AcceptedCmp5 0.035
29 remainder__AcceptedCmp3 0.035
32 remainder__AcceptedCmp1 0.023
9 cat__Marital_Status_Single 0.017
15 norm__Teenhome 0.014
10 cat__Marital_Status_Together 0.013
4 cat__Education_PhD 0.012
8 cat__Marital_Status_Married 0.011
30 remainder__AcceptedCmp4 0.010
2 cat__Education_Graduation 0.010
14 norm__Kidhome 0.010
33 remainder__AcceptedCmp2 0.009
7 cat__Marital_Status_Divorced 0.008
3 cat__Education_Master 0.007
11 cat__Marital_Status_Widow 0.005
0 cat__Education_2n Cycle 0.004
1 cat__Education_Basic 0.002
12 cat__Marital_Status_YOLO 0.001
6 cat__Marital_Status_Alone 0.001
34 remainder__Complain 0.001
5 cat__Marital_Status_Absurd 0.000

Optimisation des hyper-parametres

[103]: param = {
'model__n_estimators' : [100,200,300],
'model__max_features' : [3,4,5,6,7,8],
'model__criterion': ['gini','entropy','log_loss']
}

grid = GridSearchCV(pipe_model, param_grid=param,cv = 5, n_jobs=-1)

grid.fit(X_train,y_train)

# Afficher les meilleurs paramètres

print("Meilleurs paramètres : \n", grid.best_params_)

Meilleurs paramètres :
{'model__criterion': 'gini', 'model__max_features': 3, 'model__n_estimators':
100}

[104]: # Pretraitement
prepros = ColumnTransformer([
("cat", OneHotEncoder(),["Education","Marital_Status"]),
("norm", StandardScaler(), var_quanti)
], remainder='passthrough')

# Parametrage du modele Draft

pipe_model_opti = Pipeline([
('Preprocessing',prepros),
('model',␣
,→RandomForestClassifier(n_estimators=100,criterion='gini',max_features=3))

152
 ])

X_train, X_test, y_train, y_test =␣

,→train_test_split(features,target,test_size=0.2, random_state=42)

# Entrainement du modèle
pipe_model_opti.fit(X_train,y_train)

[104]: Pipeline(steps=[('Preprocessing',
ColumnTransformer(remainder='passthrough',
transformers=[('cat', OneHotEncoder(),
['Education',
'Marital_Status']),
('norm', StandardScaler(),
Index(['Income', 'Kidhome',
'Teenhome', 'Recency', 'MntWines', 'MntFruits',
'MntMeatProducts', 'MntFishProducts', 'MntSweetProducts',
'MntGoldProds', 'NumDealsPurchases', 'NumWebPurchases',
'NumCatalogPurchases', 'NumStorePurchases', 'NumWebVisitsMonth',␣
,→'Age'],

dtype='object'))])),
('model', RandomForestClassifier(max_features=3))])

Draft

153
[105]: y_pred_opti = pipe_model.predict(X_test)
print(classification_report(y_test,y_pred_opti))

print(f"La matrice de confusion : \n ",confusion_matrix(y_test,y_pred_opti))

precision recall f1-score support

0 0.91 0.97 0.94 375

1 0.58 0.29 0.39 51

accuracy 0.89 426

macro avg 0.74 0.63 0.66 426
weighted avg 0.87 0.89 0.87 426

La matrice de confusion :
[[364 11]
[ 36 15]]

Draft

154