基于Python构建Home Depot相似客户账户匹配模型的技术实现咨询

嘿，这个需求在客户关系管理场景里太常见了！咱们不用搞复杂的深度学习或者树模型，因为你的数据全是分类变量，用基于集合相似度的方法就足够高效、直观，而且解释性超强。下面给你一步步拆解实现思路和代码：

首先明确：分类变量的相似性本质是「特征重叠度」——比如两个客户同属一个行业、同一个国家，那他们的相似度就高。最适合的方法有两种：

• Jaccard相似度：专门针对二进制特征（比如One-Hot编码后的分类字段），计算的是两个样本「共同拥有的特征数占总特征数的比例」，完美匹配你的场景。
• K近邻（KNN）模型：可以基于Jaccard或余弦相似度快速找到最相似的Top N客户，适合数据量较大的情况，不用预先计算整个相似度矩阵。

1. 数据预处理：把分类变量转成可计算的特征 #

所有分类字段（industry、country、state等）都需要转成二进制特征（One-Hot编码）；如果services是多值字段（比如一个客户有多个服务，用逗号分隔），要做Multi-Hot编码。

2. 计算相似度或训练KNN模型 #

• 小数据量：直接计算全量相似度矩阵，方便随时查询。
• 大数据量：用KNN模型，按需查询，节省内存。

3. 构建查询函数 #

输入账户名，返回Top N相似客户的信息和相似度得分。

假设你的DataFramedf已经加载完成，我们直接上代码：

第一步：导入依赖库

import pandas as pd
from sklearn.preprocessing import OneHotEncoder
from sklearn.metrics.pairwise import pairwise_distances
from sklearn.neighbors import NearestNeighbors

第二步：处理多值字段（比如services）

如果services是类似"Installation,Repair"的字符串，先拆分再做Multi-Hot编码：

# 拆分services字段
df['services'] = df['services'].str.split(',')
# 生成Multi-Hot编码的服务特征
services_features = df.explode('services').pivot_table(
    index='accountname', 
    columns='services', 
    aggfunc='size', 
    fill_value=0
)

第三步：处理其他单值分类字段

对industry、country等字段做One-Hot编码：

# 定义需要编码的分类字段
categorical_cols = ['industry', 'territory', 'country', 'state', 'city']
# 初始化One-Hot编码器
encoder = OneHotEncoder(sparse_output=False, drop='first')
# 生成编码后的特征矩阵
cat_features = encoder.fit_transform(df[categorical_cols])
# 转成DataFrame，方便后续合并
cat_features_df = pd.DataFrame(
    cat_features,
    columns=encoder.get_feature_names_out(categorical_cols),
    index=df['accountname']
)

第四步：合并所有特征

把服务特征和分类特征合并成最终的特征矩阵：

final_features = pd.concat([cat_features_df, services_features], axis=1).fillna(0)

方案一：全量相似度矩阵查询（适合小数据） #

# 计算Jaccard相似度矩阵（1 - Jaccard距离）
jaccard_dist = pairwise_distances(final_features.values, metric='jaccard')
similarity_matrix = 1 - jaccard_dist
similarity_df = pd.DataFrame(
    similarity_matrix,
    index=final_features.index,
    columns=final_features.index
)

# 构建查询函数
def get_similar_customers(account_name, top_n=5):
    if account_name not in similarity_df.index:
        return f"账户 {account_name} 不存在于数据中"
    
    # 排序并排除自身
    sorted_scores = similarity_df[account_name].sort_values(ascending=False)
    sorted_scores = sorted_scores[sorted_scores.index != account_name]
    
    # 获取Top N客户的详细信息
    top_customers = df[df['accountname'].isin(sorted_scores.head(top_n).index)].copy()
    top_customers['similarity_score'] = top_customers['accountname'].map(sorted_scores)
    
    return top_customers[['accountname', 'industry', 'country', 'state', 'similarity_score']]

# 测试查询
print(get_similar_customers('Jon Doe', top_n=3))

方案二：KNN模型查询（适合大数据） #

# 初始化KNN模型，用Jaccard相似度
knn_model = NearestNeighbors(metric='jaccard', n_neighbors=6) # +1是为了排除自身
knn_model.fit(final_features.values)

# 构建查询函数
def get_similar_customers_knn(account_name, top_n=5):
    if account_name not in final_features.index:
        return f"账户 {account_name} 不存在于数据中"
    
    # 找到目标账户的索引
    idx = final_features.index.get_loc(account_name)
    # 查询最近邻
    distances, indices = knn_model.kneighbors(final_features.values[idx].reshape(1, -1))
    
    # 提取Top N（排除自身）
    similar_indices = indices[0][1:top_n+1]
    similar_scores = 1 - distances[0][1:top_n+1]
    
    # 获取客户信息
    similar_accounts = final_features.index[similar_indices]
    top_customers = df[df['accountname'].isin(similar_accounts)].copy()
    top_customers['similarity_score'] = similar_scores
    
    return top_customers[['accountname', 'industry', 'country', 'state', 'similarity_score']]

# 测试查询
print(get_similar_customers_knn('Jon Doe', top_n=3))

• 字段权重调整：如果认为industry、country比city更重要，可以给这些字段的编码特征乘以权重（比如industry的特征乘2，country乘1.5），让相似性计算更贴合业务需求。
• 高基数字段处理：如果city这类字段的取值太多（高基数），One-Hot编码后会生成大量特征，可以考虑把city聚合到state层级，或者用频率编码替代One-Hot。
• 相似性解释：可以在返回结果里增加「相似原因」，比如标注两个客户共享了哪些行业、国家等特征，让结果更有说服力。

内容的提问来源于stack exchange，提问作者Saa17