Tập dữ liệu 10,000 khách hàng ngân hàng gồm Điểm tín dụng, Tuổi, Số dư tài khoản, Số lượng sản phẩm và Biến mục tiêu `Exited` (1 nếu rời bỏ, 0 nếu ở lại) để thực hành EDA với Pandas & Seaborn.
| Tên Cột (Column) | Kiểu Dữ Liệu | Mô Tả Ý Nghĩa |
|---|---|---|
| CustomerId | Int64 | Mã định danh khách hàng |
| CreditScore | Int64 | Điểm tín dụng |
| Geography | String | Khu vực địa lý |
| Gender | String | Giới tính |
| Age | Int64 | Độ tuổi |
| Balance | Float64 | Số dư tài khoản |
| Exited | Int64 (0/1) | Biến mục tiêu: 1 (Đã rời bỏ), 0 (Còn sử dụng) |
| CustomerId | CreditScore | Geography | Gender | Age | Balance | Exited |
|---|---|---|---|---|---|---|
| 15634602 | 619 | Hà Nội | Female | 42 | 0.00 | 1 |
| 15647311 | 608 | TP.HCM | Female | 41 | 83,807.86 | 0 |
Dùng `pd.read_csv()`, lọc nhóm khách hàng có `Exited == 1` và tính tuổi trung bình `df[df['Exited']==1]['Age'].mean()`.
Tính ma trận tương quan `df.corr()` và vẽ ma trận biểu đồ nhiệt `sns.heatmap(df.corr(), annot=True, cmap='coolwarm')` để phát hiện yếu tố ảnh hưởng mạnh nhất đến quyết định rời bỏ.