3. 特征工程

3.1 选择合适的特征

去除无关特征，数据集中包含以下列：

• CustomerID（客户ID）：是唯一标识符，对聚类没有意义，应当删除。
• Gender（性别）：可能会影响消费行为，但我们主要关注消费习惯，因此暂时不纳入聚类。
• Age（年龄）：可能影响消费行为，保留。
• Annual Income (k$)（年收入）：影响购买力，保留。
• Spending Score (1-100)（消费评分）：衡量客户忠诚度或消费习惯，保留。

我们最终选择的特征是 Age、Annual Income (k$) 和 Spending Score (1-100)。

# 删除无关列
df_cluster = df.drop(columns=['CustomerID', 'Gender'])

3.2 数据标准化

在 K-Means 聚类等算法中，数据的尺度会影响结果，因此我们需要对数据进行标准化（归一化到相同范围）。

这里使用 MinMaxScaler 归一化到 [0,1] 范围，以保持数据分布特性。

from sklearn.preprocessing import MinMaxScaler

# 归一化数据
scaler = MinMaxScaler()
df_cluster_scaled = pd.DataFrame(scaler.fit_transform(df_cluster), columns=df_cluster.columns)

# 查看归一化后的数据
df_cluster_scaled.head()

3.3 相关性分析与特征选择

在数据探索阶段，我们已经分析过特征之间的相关性。虽然年收入和消费评分的相关性不高，但它们是重要的业务指标，因此我们仍然保留所有三个特征。

3.4 小结

1. 删除了无关特征 (CustomerID 和 Gender)，仅保留 Age、Annual Income (k$) 和 Spending Score (1-100)。
2. 使用 MinMaxScaler 进行了数据归一化，保证各特征处于相同数值范围。
3. 未删除特征，因为所有保留的特征在业务上均有意义。