您可以通过两种不同的方法：

无监督学习（聚类）

您可以选择制作某人个人资料的属性并尝试对其进行聚类（例如使用k-means）。如果您根据不同的属性查看集群，它可能会让您对数据有所了解。不要忘记排除名称，因为它们对分析没有意义。

监督学习（分类）

您可以使用可能影响输出的相关属性，例如年龄和城市可能会影响性别或儿童人数，因此如果您将这些作为目标，您可以根据他们的年龄和城市对不同的用户进行分类。

关键是您的数据不适合进行更复杂的分析，因为您的特征并不多且过于复杂（即回答某个性别之间的年龄分布或城市之间的关系、年龄和儿童数量等问题）唯一可以回答的问题）

我希望它有所帮助，如果还有更多问题，请在此处发表评论。

更新 1

您可以从不同的角度查看数据，因此首先尝试选择一个。例如，客户可以通过他们的交易（何时购买、购买什么、购买的价格等）或个人信息（性别、年龄、付款方式等）进行聚类。它让您对客户数据有第一印象。然后使用所有这些信息进行聚类，即将个人和交易特征放在一起。它为您提供一般客户的概览，并可能导致一些重要的集群（类别）。

之后，您可以从产品的角度查看问题，这意味着您查看事务特征并尝试查看不同的分布和直方图，以了解产品发生的情况，例如，您可以将时间设置为 x 轴并尝试提取不同的时间序列，比如在这个时间点销售了多少产品？在这个时间点购买了什么样的人（年龄、性别等）？等等。

对于一般分析，降维（例如 PCA）可能会揭示一些信息并为您提供洞察力。请注意，对于任何类型的分析，仅使用相关功能，例如 ID 不是信息，而是类别。

向客户推荐产品（或预测他们购买什么）最重要的一点是正确使用您的输入/输出对，以便客户信息（年龄、城市、他/她通常什么时候买东西？等）是输入和产品（他们的类别，他们的类型，无论你对他们了解多少）都是输出。

祝你好运！

PS1：根据做完全相同项目的工业版的经验，我会说付款方式没有太多信息。

PS2：StackExchange 提供了一个赞成和一个接受按钮以获得好的答案！