251029更新

rfm/main.py

@@ -1,398 +1,363 @@
 # -*- coding: utf-8 -*-
 
-if __name__ == "__main__":
 
-    """
+"""
-    基于RFM模型生成数据分析报告
+基于RFM模型生成数据分析报告
-    """
+"""
 
-    # 导入模块
+# 导入模块
 
-    import pandas
+import statistics
+from datetime import datetime
+from decimal import Decimal, ROUND_HALF_UP
 
-    from datetime import datetime
+import pandas
+from jinja2 import Environment, FileSystemLoader
 
-    from decimal import Decimal, ROUND_HALF_UP
+from utils.client import MySQLClient
+from utils.pandas_extension import DrawAsHTML
 
-    import statistics
 
-    from jinja2 import Environment, FileSystemLoader
+# 函数说明：根据RFM编码映射为客户分类
+def map_classification(r_encoded, f_encoded, m_encoded):
+    # 就R、F、M指标构建独热编码并匹配客户分类
+    match f"{r_encoded}{f_encoded}{m_encoded}":
+        case "000":
+            classification = "流失客户"
+        case "010":
+            classification = "一般维持客户"
+        case "100":
+            classification = "新客户"
+        case "110":
+            classification = "潜力客户"
+        case "001":
+            classification = "重要挽留客户"
+        case "101":
+            classification = "重要深耕客户"
+        case "011":
+            classification = "重要唤回客户"
+        case "111":
+            classification = "重要价值客户"
 
-    from utils.client import MySQLClient
+    # noinspection PyUnboundLocalVariable
+    return classification
 
-    from utils.pandas_extension import DrawAsHTML
 
-    # 函数说明：根据RFM编码映射为客户分类
+print("1 加载数据集...", end="")
-    def map_classification(r_encoded, f_encoded, m_encoded):
 
-        # 就R、F、M指标构建独热编码并匹配客户分类
+client = MySQLClient(database="data_analysis")
-        match f"{r_encoded}{f_encoded}{m_encoded}":
 
-            case "000":
+dataframe = client.execute_query(
+    sql="select 客户ID, 交易金额, 交易日期 from rfm_dataset"
+)  # customer_id 客户ID STRING，trade_date 交易日期 DATETIME.DATE，trade_amount 交易金额 DECIMAL
 
-                classification = "流失客户"
+print("已完成")
 
-            case "010":
+print("2 预处理，删除包含缺失值的样本和重复样本...", end="")
 
-                classification = "一般维持客户"
+# 删除包含缺失值的样本
+dataframe.dropna(inplace=True)
 
-            case "100":
+# 删除重复样本（保留第一例重复样本、重置索引）
+dataframe = dataframe.drop_duplicates(ignore_index=True, inplace=False)
 
-                classification = "新客户"
+# 仅保留交易日期为2012和2013年的样本
+dataframe = dataframe[
+    dataframe["交易日期"].apply(lambda x: x.year in [2012, 2013])
+].reset_index(
+    drop=True
+)  # 因交易日期数据类型为DATETIME.DATE非DATETIME64，故无法使用SERIES.DT.YEAR方法
 
-            case "110":
+sample_size = Decimal(dataframe.shape[0]).quantize(Decimal("0"))
 
-                classification = "潜力客户"
+print("已完成")
 
-            case "001":
+print("3 构建RFM...", end="")
 
-                classification = "重要挽留客户"
+# 最远交易日期
+min_trade_date = dataframe["交易日期"].min()
 
-            case "101":
+# R为最近一次交易日期距离样本中最远一次交易日期的天数（单位：日），DECIMAL；F为交易频率（单位；次），DECIMAL；M为交易金额（单位：元），DECIMAL。均正向化
-
+rfm = (
-                classification = "重要深耕客户"
+    dataframe.groupby(by="客户ID")
-
+    .agg(
-            case "011":
+        R=(
-
+            "交易日期",
-                classification = "重要唤回客户"
+            lambda x: Decimal((x.max() - min_trade_date).days).quantize(
-
+                Decimal("0"), rounding=ROUND_HALF_UP
-            case "111":
-
-                classification = "重要价值客户"
-
-        # noinspection PyUnboundLocalVariable
-        return classification
-
-    print("1 加载数据集...", end="")
-
-    client = MySQLClient(database="data_analysis")
-
-    dataframe = client.execute_query(
-        sql="select 客户ID, 交易金额, 交易日期 from rfm_dataset"
-    )  # customer_id 客户ID STRING，trade_date 交易日期 DATETIME.DATE，trade_amount 交易金额 DECIMAL
-
-    print("已完成")
-
-    print("2 预处理，删除包含缺失值的样本和重复样本...", end="")
-
-    # 删除包含缺失值的样本
-    dataframe.dropna(inplace=True)
-
-    # 删除重复样本（保留第一例重复样本、重置索引）
-    dataframe = dataframe.drop_duplicates(ignore_index=True, inplace=False)
-
-    # 仅保留交易日期为2012和2013年的样本
-    dataframe = dataframe[
-        dataframe["交易日期"].apply(lambda x: x.year in [2012, 2013])
-    ].reset_index(
-        drop=True
-    )  # 因交易日期数据类型为DATETIME.DATE非DATETIME64，故无法使用SERIES.DT.YEAR方法
-
-    sample_size = Decimal(dataframe.shape[0]).quantize(Decimal("0"))
-
-    print("已完成")
-
-    print("3 构建RFM...", end="")
-
-    # 最远交易日期
-    min_trade_date = dataframe["交易日期"].min()
-
-    # R为最近一次交易日期距离样本中最远一次交易日期的天数（单位：日），DECIMAL；F为交易频率（单位；次），DECIMAL；M为交易金额（单位：元），DECIMAL。均正向化
-    rfm = (
-        dataframe.groupby(by="客户ID")
-        .agg(
-            R=(
-                "交易日期",
-                lambda x: Decimal((x.max() - min_trade_date).days).quantize(
-                    Decimal("0"), rounding=ROUND_HALF_UP
-                ),
             ),
-            F=(
-                "客户ID",
-                lambda x: Decimal(len(x)).quantize(
-                    Decimal("0"), rounding=ROUND_HALF_UP
-                ),
-            ),
-            M=(
-                "交易金额",
-                lambda x: sum(x, Decimal("0")).quantize(
-                    Decimal("0.00"), rounding=ROUND_HALF_UP
-                ),  # 求和时指定初始值为DECIMAL("0")
-            ),
-        )
-        .reset_index()
-    )
-
-    # 客户数
-    customer_counts = Decimal(rfm.shape[0]).quantize(Decimal("0"))
-
-    # 总交易金额
-    trade_amounts = sum(rfm["M"], Decimal("0.00")).quantize(Decimal("0.00"))
-
-    print("已完成")
-
-    print("4 基于平均数将R、F和M分为低、高两个等级并组合为八种客户分类...", end="")
-
-    # R、F和M的平均数，使用STATISTICS.MEAN统计平均值，保证精度
-    # noinspection PyUnresolvedReferences
-    means = {
-        "R": statistics.mean(rfm["R"]).quantize(
-            Decimal("0.00"), rounding=ROUND_HALF_UP
         ),
-        "F": statistics.mean(rfm["F"]).quantize(
+        F=(
-            Decimal("0.00"), rounding=ROUND_HALF_UP
+            "客户ID",
+            lambda x: Decimal(len(x)).quantize(Decimal("0"), rounding=ROUND_HALF_UP),
         ),
-        "M": statistics.mean(rfm["M"]).quantize(
+        M=(
-            Decimal("0.00"), rounding=ROUND_HALF_UP
+            "交易金额",
-        ),
+            lambda x: sum(x, Decimal("0")).quantize(
-    }
-
-    rfm = rfm.assign(
-        客户分类=lambda dataframe: dataframe.apply(
-            lambda row: map_classification(
-                r_encoded=0 if row["R"] <= means["R"] else 1,
-                f_encoded=0 if row["F"] <= means["F"] else 1,
-                m_encoded=0 if row["M"] <= means["M"] else 1,
-            ),
-            axis="columns",
-        )
-    )
-
-    dataframe = dataframe.merge(
-        right=rfm[["客户ID", "客户分类"]], on="客户ID", how="left"
-    )
-
-    print("已完成")
-
-    print("5 生成分析报告...", end="")
-
-    draw = DrawAsHTML()
-
-    # 生成数据预览
-    draw.table(
-        dataframe=dataframe.sample(5),
-        file_name="数据预览.html",
-    )
-
-    # 客户分类维度
-    customer_types = (
-        rfm.groupby(by="客户分类")  # 按照客户分类分组
-        .agg(
-            R=(
-                "R",
-                lambda x: statistics.mean(x).quantize(
-                    Decimal("0.00"), rounding=ROUND_HALF_UP
-                ),
-            ),  # R平均值
-            F=(
-                "F",
-                lambda x: statistics.mean(x).quantize(
-                    Decimal("0.00"), rounding=ROUND_HALF_UP
-                ),
-            ),  # F平均值
-            M=(
-                "M",
-                lambda x: statistics.mean(x).quantize(
-                    Decimal("0.00"), rounding=ROUND_HALF_UP
-                ),
-            ),  # M平均值
-            客户占比=(
-                "客户分类",
-                lambda x: (Decimal(len(x)) / customer_counts * Decimal("100")).quantize(
-                    Decimal("0.00"), rounding=ROUND_HALF_UP
-                ),
-            ),  # 统计各客户分类的客户占比
-            交易金额占比=(
-                "M",
-                lambda x: Decimal(
-                    sum(x, Decimal("0.00")) / trade_amounts * Decimal("100")
-                ).quantize(Decimal("0.00"), rounding=ROUND_HALF_UP),
-            ),  # 统计各客户分类的交易金额占比
-        )
-        .reset_index()
-    )
-
-    # 生成客户分类分布
-    draw.scatter(
-        dataframe=customer_types[["客户分类", "R", "F", "M"]],
-        xaxis_opts_min=475,
-        xaxis_opts_max=750,
-        file_name="客户分类分布.html",
-    )
-
-    # 生成客户占比
-    draw.pie(
-        dataframe=customer_types[["客户分类", "客户占比"]].sort_values(
-            by="客户占比", ascending=False
-        ),  # 按照客户占比降序
-        file_name="客户占比.html",
-    )
-
-    # 生成交易金额占比
-    draw.pie(
-        dataframe=customer_types[["客户分类", "交易金额占比"]].sort_values(
-            by="交易金额占比", ascending=False
-        ),  # 按照交易金额占比降序
-        file_name="交易金额占比.html",
-    )
-
-    report_backward = pandas.DataFrame(
-        data=[], columns=["客户分类", "窗口期", "客户数"]
-    )
-
-    for customer_type in customer_types["客户分类"]:
-
-        for month in range(1, 13):
-
-            # 窗口期，从2013-01至2013-12
-            period = f"2013-{month:02d}"
-
-            # 窗口期起期（向前滑动十二个月，包括当月）
-            period_start = (
-                pandas.Period(value=f"2013-{month:02d}", freq="M") - 11
-            ).start_time.date()
-
-            # 窗口期止期
-            period_end = pandas.Period(
-                value=f"2013-{month:02d}", freq="M"
-            ).end_time.date()
-
-            # 指定客户分类窗口期内客户数
-            customer_counts = dataframe.loc[
-                (dataframe["客户分类"] == customer_type)
-                & (dataframe["交易日期"] >= period_start)
-                & (dataframe["交易日期"] <= period_end),
-                "客户ID",
-            ].nunique()
-
-            report_backward.loc[report_backward.shape[0]] = [
-                customer_type,
-                period,
-                customer_counts,
-            ]
-
-    # 生成近十二个自然月客户数趋势
-    draw.area(
-        dataframe=report_backward.groupby(by="窗口期", as_index=False).agg(
-            客户数=("客户数", "sum")
-        ),
-        file_name="近十二个自然月客户数趋势.html",
-        yaxis_opts_min=1350,
-    )
-
-    report_backward = report_backward.loc[
-        report_backward["客户分类"].isin(
-            ["新客户", "流失客户", "重要价值客户"]
-        )  # 仅考虑新客户、流水客户、重要价值客户
-    ].assign(
-        总客户数=lambda x: x.groupby(by="窗口期")["客户数"].transform(
-            "sum"
-        ),  # 统计窗口期总客户数并新增值各行
-        客户占比=lambda x: x.apply(
-            lambda y: (
-                Decimal(y["客户数"]) / Decimal(y["总客户数"]) * Decimal("100")
-            ).quantize(
                 Decimal("0.00"), rounding=ROUND_HALF_UP
-            ),  # 运算各项使用DECIMAL以控制精度
+            ),  # 求和时指定初始值为DECIMAL("0")
-            axis="columns",
         ),
     )
+    .reset_index()
+)
 
-    # 生成近十二个自然月客户占比趋势（仅考虑新客户、流失客户和重要价值客户）
+# 客户数
-    draw.bar(
+customer_counts = Decimal(rfm.shape[0]).quantize(Decimal("0"))
-        dataframe=report_backward[
+
-            ["客户分类", "窗口期", "客户占比"]
+# 总交易金额
-        ],  # 仅保留客户分类、窗口期和占比
+trade_amounts = sum(rfm["M"], Decimal("0.00")).quantize(Decimal("0.00"))
-        file_name="近十二个自然月客户占比趋势.html",
+
-        stack=True,
+print("已完成")
+
+print("4 基于平均数将R、F和M分为低、高两个等级并组合为八种客户分类...", end="")
+
+# R、F和M的平均数，使用STATISTICS.MEAN统计平均值，保证精度
+# noinspection PyUnresolvedReferences
+means = {
+    "R": statistics.mean(rfm["R"]).quantize(Decimal("0.00"), rounding=ROUND_HALF_UP),
+    "F": statistics.mean(rfm["F"]).quantize(Decimal("0.00"), rounding=ROUND_HALF_UP),
+    "M": statistics.mean(rfm["M"]).quantize(Decimal("0.00"), rounding=ROUND_HALF_UP),
+}
+
+rfm = rfm.assign(
+    客户分类=lambda dataframe: dataframe.apply(
+        lambda row: map_classification(
+            r_encoded=0 if row["R"] <= means["R"] else 1,
+            f_encoded=0 if row["F"] <= means["F"] else 1,
+            m_encoded=0 if row["M"] <= means["M"] else 1,
+        ),
+        axis="columns",
     )
+)
 
-    report_forward = (
+dataframe = dataframe.merge(right=rfm[["客户ID", "客户分类"]], on="客户ID", how="left")
-        dataframe.assign(
+
-            最早交易日期=lambda dataframe: dataframe.groupby(by="客户ID")[
+print("已完成")
-                "交易日期"
+
-            ].transform("min"),
+print("5 生成分析报告...", end="")
-        )  # 统计每位客户最早交易日期
+
-        .assign(
+draw = DrawAsHTML()
-            周期=lambda dataframe: (
+
-                dataframe["交易日期"].apply(lambda x: x.year)
+# 生成数据预览
-                - dataframe["最早交易日期"].apply(lambda x: x.year)
+draw.table(
-            )
+    dataframe=dataframe.sample(5),
-            * 12
+    file_name="数据预览.html",
-            + (
+)
-                dataframe["交易日期"].apply(lambda x: x.month)
+
-                - dataframe["最早交易日期"].apply(lambda x: x.month)
+# 客户分类维度
-            )
+customer_types = (
-        )  # 每笔交易的交易日期和对客户最早交易日期的间隔作为周期，单位为月
+    rfm.groupby(by="客户分类")  # 按照客户分类分组
-        .assign(
+    .agg(
-            周期=lambda dataframe: dataframe["周期"].apply(lambda x: f"M+{x:02d}")
+        R=(
-        )  # 格式化周期
+            "R",
-        .assign(
+            lambda x: statistics.mean(x).quantize(
-            群组=lambda dataframe: dataframe["最早交易日期"].apply(
+                Decimal("0.00"), rounding=ROUND_HALF_UP
-                lambda x: f"{x.year}-{x.month:02d}"
+            ),
-            )
+        ),  # R平均值
-        )  # 截取最早交易日期的年月作为群组
+        F=(
-        .groupby(by=["客户分类", "群组", "周期"], as_index=False)
+            "F",
-        .agg(客户数=("客户ID", "nunique"))  #  COHORT-ANALYSIS，群组-周期矩阵
+            lambda x: statistics.mean(x).quantize(
-        .groupby(by=["客户分类", "周期"], as_index=False)
+                Decimal("0.00"), rounding=ROUND_HALF_UP
-        .agg(客户数=("客户数", "sum"))  # 统计各客户分类各周期用户数
+            ),
-        .assign(
+        ),  # F平均值
-            基准客户数=lambda dataframe: dataframe.groupby(by=["客户分类"])[
+        M=(
-                "客户数"
+            "M",
-            ].transform("first")
+            lambda x: statistics.mean(x).quantize(
-        )
+                Decimal("0.00"), rounding=ROUND_HALF_UP
-        .assign(
+            ),
-            留存率=lambda dataframe: dataframe.apply(
+        ),  # M平均值
-                lambda x: (
+        客户占比=(
-                    Decimal(x["客户数"]) / Decimal(x["基准客户数"]) * Decimal("100")
+            "客户分类",
-                ).quantize(Decimal("0.00"), rounding=ROUND_HALF_UP),
+            lambda x: (Decimal(len(x)) / customer_counts * Decimal("100")).quantize(
-                axis="columns",
+                Decimal("0.00"), rounding=ROUND_HALF_UP
-            )
+            ),
-        )
+        ),  # 统计各客户分类的客户占比
-        .loc[
+        交易金额占比=(
-            lambda dataframe: dataframe["客户分类"].isin(
+            "M",
-                ["新客户", "流失客户", "重要价值客户"]
+            lambda x: Decimal(
-            )
+                sum(x, Decimal("0.00")) / trade_amounts * Decimal("100")
-            & dataframe["周期"].isin(
+            ).quantize(Decimal("0.00"), rounding=ROUND_HALF_UP),
-                [
+        ),  # 统计各客户分类的交易金额占比
-                    "M+01",
+    )
-                    "M+02",
+    .reset_index()
-                    "M+03",
+)
-                    "M+04",
+
-                    "M+05",
+# 生成客户分类分布
-                    "M+06",
+draw.scatter(
-                    "M+07",
+    dataframe=customer_types[["客户分类", "R", "F", "M"]],
-                    "M+08",
+    xaxis_opts_min=475,
-                    "M+09",
+    xaxis_opts_max=750,
-                    "M+10",
+    file_name="客户分类分布.html",
-                    "M+11",
+)
-                    "M+12",
+
-                ]
+# 生成客户占比
-            )
+draw.pie(
+    dataframe=customer_types[["客户分类", "客户占比"]].sort_values(
+        by="客户占比", ascending=False
+    ),  # 按照客户占比降序
+    file_name="客户占比.html",
+)
+
+# 生成交易金额占比
+draw.pie(
+    dataframe=customer_types[["客户分类", "交易金额占比"]].sort_values(
+        by="交易金额占比", ascending=False
+    ),  # 按照交易金额占比降序
+    file_name="交易金额占比.html",
+)
+
+report_backward = pandas.DataFrame(data=[], columns=["客户分类", "窗口期", "客户数"])
+
+for customer_type in customer_types["客户分类"]:
+
+    for month in range(1, 13):
+
+        # 窗口期，从2013-01至2013-12
+        period = f"2013-{month:02d}"
+
+        # 窗口期起期（向前滑动十二个月，包括当月）
+        period_start = (
+            pandas.Period(value=f"2013-{month:02d}", freq="M") - 11
+        ).start_time.date()
+
+        # 窗口期止期
+        period_end = pandas.Period(value=f"2013-{month:02d}", freq="M").end_time.date()
+
+        # 指定客户分类窗口期内客户数
+        customer_counts = dataframe.loc[
+            (dataframe["客户分类"] == customer_type)
+            & (dataframe["交易日期"] >= period_start)
+            & (dataframe["交易日期"] <= period_end),
+            "客户ID",
+        ].nunique()
+
+        report_backward.loc[report_backward.shape[0]] = [
+            customer_type,
+            period,
+            customer_counts,
         ]
-        .reset_index(drop=True)
+
+# 生成近十二个自然月客户数趋势
+draw.area(
+    dataframe=report_backward.groupby(by="窗口期", as_index=False).agg(
+        客户数=("客户数", "sum")
+    ),
+    file_name="近十二个自然月客户数趋势.html",
+    yaxis_opts_min=1350,
+)
+
+report_backward = report_backward.loc[
+    report_backward["客户分类"].isin(
+        ["新客户", "流失客户", "重要价值客户"]
+    )  # 仅考虑新客户、流水客户、重要价值客户
+].assign(
+    总客户数=lambda x: x.groupby(by="窗口期")["客户数"].transform(
+        "sum"
+    ),  # 统计窗口期总客户数并新增值各行
+    客户占比=lambda x: x.apply(
+        lambda y: (
+            Decimal(y["客户数"]) / Decimal(y["总客户数"]) * Decimal("100")
+        ).quantize(
+            Decimal("0.00"), rounding=ROUND_HALF_UP
+        ),  # 运算各项使用DECIMAL以控制精度
+        axis="columns",
+    ),
+)
+
+# 生成近十二个自然月客户占比趋势（仅考虑新客户、流失客户和重要价值客户）
+draw.bar(
+    dataframe=report_backward[
+        ["客户分类", "窗口期", "客户占比"]
+    ],  # 仅保留客户分类、窗口期和占比
+    file_name="近十二个自然月客户占比趋势.html",
+    stack=True,
+)
+
+report_forward = (
+    dataframe.assign(
+        最早交易日期=lambda dataframe: dataframe.groupby(by="客户ID")[
+            "交易日期"
+        ].transform("min"),
+    )  # 统计每位客户最早交易日期
+    .assign(
+        周期=lambda dataframe: (
+            dataframe["交易日期"].apply(lambda x: x.year)
+            - dataframe["最早交易日期"].apply(lambda x: x.year)
+        )
+        * 12
+        + (
+            dataframe["交易日期"].apply(lambda x: x.month)
+            - dataframe["最早交易日期"].apply(lambda x: x.month)
+        )
+    )  # 每笔交易的交易日期和对客户最早交易日期的间隔作为周期，单位为月
+    .assign(
+        周期=lambda dataframe: dataframe["周期"].apply(lambda x: f"M+{x:02d}")
+    )  # 格式化周期
+    .assign(
+        群组=lambda dataframe: dataframe["最早交易日期"].apply(
+            lambda x: f"{x.year}-{x.month:02d}"
+        )
+    )  # 截取最早交易日期的年月作为群组
+    .groupby(by=["客户分类", "群组", "周期"], as_index=False)
+    .agg(客户数=("客户ID", "nunique"))  #  COHORT-ANALYSIS，群组-周期矩阵
+    .groupby(by=["客户分类", "周期"], as_index=False)
+    .agg(客户数=("客户数", "sum"))  # 统计各客户分类各周期用户数
+    .assign(
+        基准客户数=lambda dataframe: dataframe.groupby(by=["客户分类"])[
+            "客户数"
+        ].transform("first")
     )
-
+    .assign(
-    # 生成近十二个自然月留存率趋势
+        留存率=lambda dataframe: dataframe.apply(
-    draw.line(
+            lambda x: (
-        dataframe=report_forward[["客户分类", "周期", "留存率"]],
+                Decimal(x["客户数"]) / Decimal(x["基准客户数"]) * Decimal("100")
-        file_name="近十二个自然月留存率趋势.html",
+            ).quantize(Decimal("0.00"), rounding=ROUND_HALF_UP),
+            axis="columns",
+        )
     )
+    .loc[
+        lambda dataframe: dataframe["客户分类"].isin(
+            ["新客户", "流失客户", "重要价值客户"]
+        )
+        & dataframe["周期"].isin(
+            [
+                "M+01",
+                "M+02",
+                "M+03",
+                "M+04",
+                "M+05",
+                "M+06",
+                "M+07",
+                "M+08",
+                "M+09",
+                "M+10",
+                "M+11",
+                "M+12",
+            ]
+        )
+    ]
+    .reset_index(drop=True)
+)
 
-    # 获取报告模版
+# 生成近十二个自然月留存率趋势
-    template = Environment(loader=FileSystemLoader(".")).get_template("template.html")
+draw.line(
+    dataframe=report_forward[["客户分类", "周期", "留存率"]],
+    file_name="近十二个自然月留存率趋势.html",
+)
 
-    # 渲染模版
+# 获取报告模版
-    rfm_report = template.render(
+template = Environment(loader=FileSystemLoader(".")).get_template("template.html")
-        {
-            # 报告日期
-            "report_date": datetime.now().strftime("%Y-%m-%d"),
-            "sample_size": sample_size,
-        }
-    )
 
-    with open("rfm_report.html", "w", encoding="utf8") as file:
+# 渲染模版
+rfm_report = template.render(
+    {
+        # 报告日期
+        "report_date": datetime.now().strftime("%Y-%m-%d"),
+        "sample_size": sample_size,
+    }
+)
 
-        file.write(rfm_report)
+with open("rfm_report.html", "w", encoding="utf8") as file:
+    file.write(rfm_report)
 
-    print("已完成")
+print("已完成")