kodylow/kaggle_churn

Dataset Structure Data Instances An instance in the dataset represents a user's data with the following fields: msno (user id), is_churn (whether the user left the service), playtime_per_day (average daily playtime), city, bd (age), gender, registered_via (registration method), registration_init_time, payment_method_id, payment_plan_days, plan_list_price, actual_amount_paid, is_auto_renew, transaction_date, membership_expire_date, is_cancel (whether the user cancelled their membership). Data Fields - msno: a string identifier for the user. - is_churn: a binary value indicating whether the user left the service (1) or not (0). - playtime_per_day: a float value representing the average daily playtime of the user. - city: an integer representing the city code. - bd: an integer representing the age of the user. - gender: a binary value indicating the gender of the user (0 for male, 1 for female, -1 for unknown). - registered_via: an integer representing the registration method. - registration_init_time: an integer representing the year of registration. - payment_method_id: an integer representing the payment method. - payment_plan_days: an integer representing the length of the payment plan in days. - plan_list_price: an integer representing the listed price of the payment plan. - actual_amount_paid: an integer representing the actual amount paid by the user. - is_auto_renew: a binary value indicating whether the user's plan auto-renews (1) or not (0). - transaction_date: an integer representing the year of the transaction. - membership_expire_date: an integer representing the year when the membership expires. - is_cancel: a binary value indicating whether the user cancelled their membership (1) or not (0).### 数据集结构 #### 数据实例 数据集中的每个实例对应一名用户的相关数据，包含以下字段：msno（用户标识符）、is_churn（用户是否离服）、playtime_per_day（日均播放时长）、city（城市编码）、bd（用户年龄）、gender（用户性别）、registered_via（注册方式）、registration_init_time（注册年份）、payment_method_id（支付方式编码）、payment_plan_days（付费套餐时长，单位：天）、plan_list_price（付费套餐挂牌价）、actual_amount_paid（用户实际支付金额）、is_auto_renew（套餐是否自动续费）、transaction_date（交易年份）、membership_expire_date（会员到期年份）、is_cancel（用户是否取消会员资格）。 #### 数据字段 - msno：用户的字符串型唯一标识符 - is_churn：二值标签，用于标记用户是否已离服（1表示已离服，0表示未离服） - playtime_per_day：浮点型数值，代表用户的日均播放时长 - city：整型数值，代表用户所属城市编码 - bd：整型数值，代表用户年龄 - gender：二值标签，用于标记用户性别（0代表男性，1代表女性，-1代表性别未知） - registered_via：整型数值，代表用户的注册方式编码 - registration_init_time：整型数值，代表用户的注册年份 - payment_method_id：整型数值，代表用户使用的支付方式编码 - payment_plan_days：整型数值，代表付费套餐的有效时长（单位：天） - plan_list_price：整型数值，代表付费套餐的挂牌售价 - actual_amount_paid：整型数值，代表用户实际支付的总金额 - is_auto_renew：二值标签，用于标记套餐是否自动续费（1表示自动续费，0表示未开启自动续费） - transaction_date：整型数值，代表该条记录对应的交易年份 - membership_expire_date：整型数值，代表用户会员资格的到期年份 - is_cancel：二值标签，用于标记用户是否已取消会员资格（1表示已取消，0表示未取消）

原始信息汇总

数据集结构

数据实例

每个数据实例代表一个用户的数据，包含以下字段：

• msno: 用户ID，字符串标识符。
• is_churn: 用户是否离开服务的二进制值（1表示离开，0表示未离开）。
• playtime_per_day: 用户平均每日播放时间，浮点数值。
• city: 城市代码，整数。
• bd: 用户年龄，整数。
• gender: 用户性别，二进制值（0表示男性，1表示女性，-1表示未知）。
• registered_via: 注册方式，整数。
• registration_init_time: 注册年份，整数。
• payment_method_id: 支付方式，整数。
• payment_plan_days: 支付计划天数，整数。
• plan_list_price: 支付计划列表价格，整数。
• actual_amount_paid: 用户实际支付金额，整数。
• is_auto_renew: 计划是否自动续订的二进制值（1表示自动续订，0表示不自动续订）。
• transaction_date: 交易年份，整数。
• membership_expire_date: 会员资格到期年份，整数。
• is_cancel: 用户是否取消会员资格的二进制值（1表示取消，0表示未取消）。

搜集汇总

数据集介绍

构建方式

该数据集名为kodylow/kaggle_churn，源自Kaggle平台，专注于用户流失预测任务。其构建基于音乐流媒体服务中用户的真实行为与属性数据，通过整合用户基本信息、使用行为及交易记录等多维信息，形成结构化样本。每个实例以用户标识（msno）为核心，包含是否流失（is_churn）的标签，以及日均播放时长、城市、年龄、性别、注册方式、支付方式、套餐天数、价格、实际支付金额、自动续费状态、交易日期、会员到期日期及是否取消等字段。数据以表格形式组织，便于直接用于分类模型训练。

使用方法

使用该数据集时，可直接通过HuggingFace的datasets库进行加载，例如使用load_dataset('kodylow/kaggle_churn')获取数据。数据已预划分为训练集与测试集，用户无需额外分割。在建模前，建议对缺失值（如性别字段中的-1表示未知）进行填充或删除，并对数值型特征（如播放时长、年龄）进行标准化或归一化。分类特征（如城市、注册方式）可进行独热编码或标签编码。目标变量为is_churn，可用于训练逻辑回归、随机森林或梯度提升等分类模型，并通过准确率、召回率等指标评估预测效果。

背景与挑战

背景概述

在用户留存与订阅服务日益成为数字平台核心竞争力的背景下，用户流失预测（Churn Prediction）成为数据驱动决策的关键课题。kodylow/kaggle_churn数据集源自Kaggle竞赛，由社区研究者整理并发布于HuggingFace平台，旨在通过多维用户行为与交易特征预测用户是否终止服务。该数据集聚焦于音乐流媒体或类似订阅制平台的用户生命周期管理，核心研究问题在于如何利用支付记录、使用频率、注册方式及人口统计学信息等字段，构建精准的流失预警模型。其影响力体现在为机器学习社区提供了一个结构化、标注清晰的基准数据集，推动了特征工程与分类算法在客户关系管理领域的应用探索。

当前挑战

该数据集面临的挑战主要源于两个方面。在领域问题层面，用户流失预测本质上是一个类别不平衡问题，流失用户样本通常远少于留存用户，易导致模型偏向多数类，需要采用重采样或代价敏感学习等策略加以应对。此外，特征中如年龄、性别存在大量缺失值或未知标记，而注册时间、交易日期等以年份整数表示，粒度粗糙，难以捕捉季节性波动与短期行为变化。在构建过程中，原始数据可能来自多个异构数据源，字段对齐与清洗工作繁重，且隐私保护要求下用户标识（msno）需匿名化处理，限制了跨数据集关联分析的可能性。这些因素共同构成了建模与部署时的核心难点。

常用场景

经典使用场景

在客户流失预测这一经典研究领域中，kodylow/kaggle_churn数据集凭借其丰富的用户行为与交易特征，成为构建分类模型的标准基准。研究者通常利用该数据集中的用户身份标识、日均播放时长、城市分布、年龄与性别等人口统计学信息，结合支付方式、计划天数、实际付费金额及自动续费等交易属性，通过逻辑回归、随机森林或梯度提升树等算法，预测用户是否会在未来流失。该数据集因其特征维度覆盖全面且标签明确，被广泛用于评估不同模型在二分类任务上的表现，并验证特征工程与不平衡数据处理策略的有效性。

解决学术问题

该数据集的核心价值在于解决了用户流失预测中的特征重要性识别与模型泛化能力评估等学术难题。通过分析播放时长、支付计划与续费行为等变量，研究者能够量化不同因素对流失倾向的贡献度，从而揭示用户留存的关键驱动机制。此外，数据集中的类别不平衡问题（流失用户比例通常较低）促使学术界探索过采样、欠采样及代价敏感学习等方法的性能边界，推动了机器学习在客户关系管理领域的理论发展，并为后续研究提供了可复现的对比基准。

实际应用

在实际商业场景中，该数据集直接服务于流媒体平台的用户留存策略优化。企业可基于模型输出的流失概率，对高风险用户实施精准干预，例如推送个性化内容、调整订阅计划或提供折扣优惠。同时，数据集中的支付方式与自动续费特征可用于优化计费流程，减少因支付摩擦导致的非自愿流失。此外，城市与年龄等维度帮助运营团队设计区域化或年龄分层的挽留活动，从而提升整体用户生命周期价值，降低获客成本。

数据集最近研究

最新研究方向

在用户流失预测领域，基于多维度行为特征与消费数据的建模已成为前沿热点。kodylow/kaggle_churn数据集整合了用户人口统计学信息、使用行为（如日均播放时长）、订阅与支付模式（如自动续费、实际支付金额及套餐期限）以及会员生命周期状态，为构建高精度流失预测模型提供了丰富特征。当前研究重点在于利用该数据集探索深度时序模型（如LSTM、Transformer）与特征交叉技术，以捕捉用户行为与支付习惯间的复杂非线性关系。同时，结合该数据集中的城市与注册渠道信息，研究者正尝试融入地理与渠道异质性分析，以提升模型在细分用户群上的泛化能力。这一方向对于流媒体与订阅制平台优化用户留存策略、降低获客成本具有重要实践意义，推动了从被动响应到主动干预的精细化运营范式演进。