import pandas as pdimport numpy as np# 1. 自动重构 rfm_metrics (防止内存中变量丢失)# 关联客户表与订单表df_rfm_raw = pd.merge(df_orders, df_customers, on='客户ID', how='inner')df_rfm_raw['订单日期'] = pd.to_datetime(df_rfm_raw['订单日期'])# 计算基准日期snap_date = df_rfm_raw['订单日期'].max() + pd.Timedelta(days=1)# 计算 R, F, M 基础指标rfm_metrics = df_rfm_raw.groupby(['客户ID', '客户名称']).agg({'订单日期': lambda x: (snap_date - x.max()).days,'订单ID': 'count','销售额': 'sum'}).reset_index()rfm_metrics.rename(columns={'订单日期': 'Recency','订单ID': 'Frequency','销售额': 'Monetary'}, inplace=True)
2025PowerBI零基础可视化分析课程
PowerBI销售数据可视化分析产品5.0版
PowerBI供应链基础数据可视化产品4.0版
PowerBI渠道流向管理数据可视化分析产品3.0版
PowerBI人效与经销商分析可视化产品
Power BI上市财报可视化产品完整版
PowerBI预算分析可视化产品
Power BI应收账款可视化分析看板
PowerBI业财一体零基础实战应用
PowerBI上市财报可视化产品4.0版
PowerBI市场分析可视化产品1.0版全网首发
PowerBI上市公司估值可视化产品1.0版
Power BI电商数据分析产品(含PPT与视频版)
Power BI+SQL医药企全链路经营分析
医药经营分析会产品Power BI+PPT1.0版
SaaS+Power BI供应链渠道流向与合规分析产品
Excel从入门到进阶可视化分析看板课程
