Segmentering

Segmenteringsmodellen er udviklet i Python med sklearn (version 1.0). Modellen kan hentes direkte fra dette repository. Herunder er et Python eksempel, hvor modellen anvendt på et mindre datasæt.

Dokumentation:

• sklearn https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html
• kmeans https://en.wikipedia.org/wiki/K-means_clustering

Spørgsmål

Segmenteringsmodellen er baseret på disse ti spørgsmål:

1. Vi burde gøre mere for flygtninge, der kommer til Danmark, end vi gør i dag
2. Den offentlige sektor er for stor
3. Vi betaler for meget i skat i Danmark
4. Vi skal have styr på vores egne problemer, før vi hjælper andre lande
5. Enhver er sin egen lykkes smed
6. Jeg køber altid økologiske eller miljøvenlige produkter, hvis jeg kan
7. Det er vigtigt for mig at have den nyeste teknologi på markedet
8. Jeg kan ikke forestille mig en hverdag uden min smartphone
9. Jeg kommer let til at kede mig, hvis jeg laver de samme ting
10. Jeg vil følge moden

I data skal disse navngives sådan at spørgsmål 1 hedder Q1, spørgsmål 2 hedder Q2 osv.

Svarmulighederne på spørgsmålene er:

1. Fuldstændig uenig
2. Uenig
3. Nærmest uenig
4. Nærmest enig
5. Enig
6. Fuldstændig enig

Vi anbefaler, at man ikke giver responder muligheden for at svare 'Ved ikke'. Hvis man - mod vores anbefaling - vælger at give dem muligeden, så kan man håndtere det på følgende måde:

• Aktivt tage stilling til, hvor mange spørgsmål en respondent må have svaret 'Ved ikke' på, før de bliver sorteret fra.
• Erstatte 'Ved ikke' svar med gennemsnittet af, hvad de resterende respondenter har svaret.

Kode

Importerer de nødvendige Python biblioteker:

import pickle
import pandas as pd
from sklearn.cluster import KMeans

Data

Indlæser og inspicerer data:

data = pd.read_csv("data.csv")
print(data.head())

id	Q1	Q2	Q3	Q4	Q5	Q6	Q7	Q8	Q9	Q10
0	Fuldstændig uenig	Fuldstændig enig	Uenig	Fuldstændig enig	Fuldstændig enig	Nærmest enig	Nærmest uenig	Nærmest enig	Nærmest uenig	Uenig
1	Nærmest uenig	Enig	Fuldstændig enig	Enig	Enig	Nærmest uenig	Nærmest uenig	Fuldstændig enig	Nærmest uenig	Nærmest uenig
2	Enig	Nærmest uenig	Enig	Nærmest enig	Enig	Fuldstændig uenig	Uenig	Nærmest enig	Uenig	Uenig
3	Nærmest enig	Nærmest uenig	Nærmest uenig	Nærmest uenig	Nærmest enig	Fuldstændig uenig	Uenig	Uenig	Nærmest uenig	Uenig
4	Nærmest enig	Uenig	Uenig	Nærmest uenig	Nærmest uenig	Nærmest uenig	Nærmest uenig	Nærmest enig	Uenig	Fuldstændig uenig
...	...	...	...	...	...	...	...	...	...	...

^{Denne tabel indeholder de fem første observationer af 'data'}

I dette datasæt er svarene i tekstformat. Kmeans-modellen kan ikke anvendes på tekstdata. Derfor skal teksten i kolonnerne ændres til numeriske værdier:

replace_dict = {"Fuldstændig uenig": 1,
                "Uenig": 2,
                "Nærmest uenig": 3,
                "Nærmest enig": 4,
                "Enig": 5,
                "Fuldstændig enig": 6}

data.iloc[:,:] = data.iloc[:,:].replace(replace_dict)
print(data.head())

id	Q1	Q2	Q3	Q4	Q5	Q6	Q7	Q8	Q9	Q10
0	1	6	2	6	6	4	3	4	3	2
1	3	5	6	5	5	3	3	6	3	3
2	5	3	5	4	5	1	2	4	2	2
3	4	3	3	3	4	1	2	2	3	2
4	4	2	2	3	3	3	3	4	2	1
...	...	...	...	...	...	...	...	...	...	...

^{Denne tabel indeholder de fem første observationer af 'data'}

Data er nu numerisk.

Model

Modellen loades og benyttes på data:

with open("kmeans.pickle", "rb") as f:
    kmeans = pickle.load(f)

data["segment"] = kmeans.predict(data)

Segmenterne kommer i første omgang ud som numeriske værdier. Her ændres værdierne til navnene på segmenterne:

replace_dict_segment = {0: "Selvudviklerne",
                        1: "Individualisterne",
                        2: "Pragmatikerne",
                        3: "Idealisterne",
                        4: "Beskytterne"}

data["segment"] = data["segment"].replace(replace_dict_segment)
print(data.head())

id	Q1	Q2	Q3	Q4	Q5	Q6	Q7	Q8	Q9	Q10	segment
0	1	6	2	6	6	4	3	4	3	2	Beskytterne
1	3	5	6	5	5	3	3	6	3	3	Individualisterne
2	5	3	5	4	5	1	2	4	2	2	Pragmatikerne
3	4	3	3	3	4	1	2	2	3	2	Pragmatikerne
4	4	2	2	3	3	3	3	4	2	1	Idealisterne
...	...	...	...	...	...	...	...	...	...	...	...

^{Denne tabel indeholder de fem første observationer af 'data'}

I ovenstående tabel er resultatet af segmenteringsmodellen på de fem første observationer tilføjet i kolonnen 'segment'