简介

kmeans算法又名k均值算法,K-means算法中的k表示的是聚类为k个簇，means代表取每一个聚类中数据值的均值作为该簇的中心，或者称为质心，即用每一个的类的质心对该簇进行描述。
其算法思想大致为：先从样本集中随机选取 k个样本作为簇中心，并计算所有样本与这 k个“簇中心”的距离，对于每一个样本，将其划分到与其距离最近的“簇中心”所在的簇中，对于新的簇计算各个簇的新的“簇中心”。

数据链接

链接：https://pan.baidu.com/s/19HaKX9T5DXxqtTApqqEO1Q
提取码：52xx

文末有代码文件。

引用我们需要的包

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt#Plot styling
import seaborn as sns; sns.set()
%matplotlib inlineplt.rcParams['figure.figsize'] = (16, 9)    # 图像显示大小
plt.style.use('ggplot')    # 打印样式列表

读取文件

 dataset=pd.read_csv('CLV.csv')dataset.head()  #查看表头

dataset.describe().transpose() #查看基本状况

plot_income = sns.distplot(dataset["INCOME"]) #绘制比较直方图
plot_spend = sns.distplot(dataset["SPEND"])
plt.xlabel('Income / spend')

看出看出收入和速度的分布关系：

绘制箱型线与核密度图的结合：

f, axes = plt.subplots(1,2, figsize=(12,6), sharex=True, sharey=True)
v1 = sns.violinplot(data=dataset, x='INCOME', color="skyblue",ax=axes[0])
v2 = sns.violinplot(data=dataset, x='SPEND',color="lightgreen", ax=axes[1])
v1.set(xlim=(0,420))

绘制散点图

Income = dataset['INCOME'].values
Spend = dataset['SPEND'].values
X = np.array(list(zip(Income, Spend)))
plt.scatter(Income, Spend, c='black', s=100) #绘制散点图

绘制3D图形

from mpl_toolkits.mplot3d import Axes3Dfig = plt.figure()
ax = Axes3D(fig)
ax.scatter(X[:, 0], X[:, 1])

关于k-means的参数：

参数	类型	解释
n_clusters	int, default=8	K-Means中的k，表示聚类数
init	{‘k-means++’, ‘random’}, default=‘k-means++’	'k-means++'用一种特殊的方法选定初始质心加速迭代过程收敛，'random’随机选取初始质心
n_init	int, default=10	用不同的聚类中心初始化值运行算法的次数，最后的解是inertial意义下选出的最优结果
max_iter	int, default=300	运行的最多迭代数
tol	float, default=1e-4	容忍的最小误差，当误差小于tol就会退出迭代
verbose	int, default=0	是否输出详细信息
random_state	int, RandomState instance or None, default=None	用于初始化质心得生成器(generator)。如果值为一个整数，则确定一个seed
copy_x	bool, default=True	如果为True，表示计算距离不会修改源数据
algorithm	{“auto”, “full”, “elkan”}, default=“auto”	优化算法，full表示一般的K-Means算法，elkan表示elkan K-Means算法，auto根据数据是否稀疏进行选择

我们选择运行最多的迭代数为300，选取运行次数为10

from sklearn.cluster import KMeans
wcss = []
for i in range(1,11):km=KMeans(n_clusters=i,init='k-means++', max_iter=300, n_init=10, random_state=0)km.fit(X)wcss.append(km.inertia_)
plt.plot(range(1,11),wcss)
plt.title('Elbow Method')
plt.xlabel('Number of clusters')
plt.ylabel('wcss')
plt.show()

结果如下

计算轮轴系数：

轮廓系数用于计算每个样本的平均簇内距离a(样本i到同簇其他样本的平均距离，ai值越小说明该样本越应该被聚到该类，即簇内不相似度)和平均邻近簇距离b(样本i到其他相邻簇的所有样本的平均距离bi，bi越大说明样本i越不属于其他簇，即簇间不相似度)。每个样本的轮廓系数计算公式为：(b-a)/Max(a,b)，轮廓系数越接近1说明结果越好（聚类越准确），越接近-1说明结果越差，若值在0值附近，则说明样本在两个簇的边界上。

from sklearn.metrics import silhouette_score
from sklearn.cluster import KMeansfor n_cluster in range(2, 11):kmeans = KMeans(n_clusters=n_cluster).fit(X)label = kmeans.labels_sil_coeff = silhouette_score(X, label, metric='euclidean')print("For n_clusters={}, The Silhouette Coefficient is {}".format(n_cluster, sil_coeff))

肘部法则确定k值，score为指标

import pylab as pl
from sklearn.decomposition import PCANc = range(1, 20)
kmeans = [KMeans(n_clusters=i) for i in Nc]
kmeans
score = [kmeans[i].fit(X).score(X) for i in range(len(kmeans))]
score
pl.plot(Nc,score)
pl.xlabel('Number of Clusters')
pl.ylabel('Score')
pl.title('Elbow Curve')
pl.show()print(score)

for k in range (1, 11):kmeans_model = KMeans(n_clusters=k, random_state=1).fit(X)labels = kmeans_model.labels_    #保存标签interia = kmeans_model.inertia_     #保存每一个SSE的值print ("k:",k, " cost:", interia)
print()

确定k为4，因为在k为4的时候，sse的变化已经缓和很多。

km4=KMeans(n_clusters=4,init='k-means++', max_iter=300, n_init=10, random_state=0)
y_means = km4.fit_predict(X)

开始聚类，配置不同的颜色。

plt.scatter(X[y_means==0,0],X[y_means==0,1],s=50, c='purple',label='Cluster1')
plt.scatter(X[y_means==1,0],X[y_means==1,1],s=50, c='blue',label='Cluster2')
plt.scatter(X[y_means==2,0],X[y_means==2,1],s=50, c='green',label='Cluster3')
plt.scatter(X[y_means==3,0],X[y_means==3,1],s=50, c='cyan',label='Cluster4')plt.scatter(km4.cluster_centers_[:,0], km4.cluster_centers_[:,1],s=200,marker='s', c='red', alpha=0.7, label='Centroids')
plt.title('Customer segments')
plt.xlabel('Annual income of customer')
plt.ylabel('Annual spend from customer on site')
plt.legend()
plt.show()

相关参数：

调用方法：plt.scatter(x, y, s, c, marker, cmap, norm, alpha, linewidths, edgecolorsl)

参数说明：
x: x轴数据

y: y轴数据

s: 散点大小

c: 散点颜色

marker: 散点形状

cmap: 指定特定颜色图，该参数一般不用，有默认值

alpha: 散点的透明度

linewidths: 散点边框的宽度

edgecolors: 设置散点边框的颜色

运行结果：

上图可以发现，聚类的效果不是很好，接下来我们将k值定为6（0-5）：

plt.scatter(X[y_means==0,0],X[y_means==0,1],s=50, c='purple',label='Cluster1')
plt.scatter(X[y_means==1,0],X[y_means==1,1],s=50, c='blue',label='Cluster2')
plt.scatter(X[y_means==2,0],X[y_means==2,1],s=50, c='green',label='Cluster3')
plt.scatter(X[y_means==3,0],X[y_means==3,1],s=50, c='cyan',label='Cluster4')
plt.scatter(X[y_means==4,0],X[y_means==4,1],s=50, c='magenta',label='Cluster5')
plt.scatter(X[y_means==5,0],X[y_means==5,1],s=50, c='orange',label='Cluster6')plt.scatter(km.cluster_centers_[:,0], km.cluster_centers_[:,1],s=200,marker='s', c='red', alpha=0.7, label='Centroids')
plt.title('Customer segments')
plt.xlabel('Annual income of customer')
plt.ylabel('Annual spend from customer on site')
plt.legend()
plt.show()

这样结果就相对集中，效果相对较好。

在sch.dendrogram中传入一个参数sch.linkage(X, method = 'ward')，sch.linkage是数据之间的链条关系，其中的x是数据集，在进行聚类的时候，将每一个点作为一个分组，不断发现两个最近的分组，不断的进行组拼，参数method = 'ward'表示进行聚类的时候，差异最小的元素，也就是距离最近的元素，也可以使用其他的方法。在进行可视化的时候，plt自动完成了数据的显示过程。

import scipy.cluster.hierarchy as sch
dend=sch.dendrogram(sch.linkage(X, method='ward'))
plt.title("Dendrogram")
plt.xlabel('Customer')
plt.ylabel('euclidean')
plt.show()

from sklearn.cluster import AgglomerativeClustering
hc=AgglomerativeClustering(n_clusters=3, affinity='euclidean', linkage='ward' )
y_hc = hc.fit_predict(X)

linkage 参数说明:

ward (默认值)：每一个类簇的方差最小化
average：每一个类簇之间的距离的平均值最小
complete：每一个类簇之间的距离最大
single：每一个类簇之间的距离最小

完整代码参考公众号获取。

k-means算法进行数据分析应用相关推荐

kmeans改进 matlab,基于距离函数的改进k―means 算法
摘要:聚类算法在自然科学和和社会科学中都有很普遍的应用,而K-means算法是聚类算法中经典的划分方法之一.但如果数据集内相邻的簇之间离散度相差较大,或者是属性分布区间相差较大,则算法的聚类效果十分有 ...
k means算法C语言伪代码,K均值算法（K-Means）
1. K-Means算法步骤算法步骤收敛性定义,畸变函数(distortion function): 伪代码: 1) 创建k个点作为K个簇的起始质心(经常随机选择) 2) 当任意一个点的蔟分配结果 ...
k均值聚类算法(K Means)及其实战案例
算法说明 K均值聚类算法其实就是根据距离来看属性,近朱者赤近墨者黑.其中K表示要聚类的数量,就是说样本要被划分成几个类别.而均值则是因为需要求得每个类别的中心点,比如一维样本的中心点一般就是求这些样本 ...
K means 图片压缩
k-means的基本原理较为清晰,这里不多赘述,本次博客主要通过基础的k means算法进行图像的压缩处理. 原理分析在彩色图像中,每个像素的大小为3字节(RGB),可以表示的颜色总数为256 * ...
5 模式识别-动态聚类算法（K均值算法、迭代自组织的数据分析ISOData算法）
武汉理工大学资源郭志强动态聚类算法:先选取初始的中心(每个类别的初始中心),然后把所有的样本进行聚类分析,聚类完成后,就去判断这个聚类结果合不合理(满不满足设计指标要求),如果合理就输出聚类结果( ...
独家 | R语言中K邻近算法的初学者指南：从菜鸟到大神（附代码＆链接）
作者:Leihua Ye, UC Santa Barbara 翻译:陈超校对:冯羽本文约2300字,建议阅读10分钟本文介绍了一种针对初学者的K临近算法在R语言中的实现方法. 本文呈现了一种在R ...
k折交叉验证优缺点_R语言中K邻近算法的初学者指南：从菜鸟到大神（附代码＆链接）...
作者:Leihua Ye, UC Santa Barbara 翻译:陈超校对:冯羽本文约2300字,建议阅读10分钟本文介绍了一种针对初学者的K临近算法在R语言中的实现方法. 本文呈现了一种在R ...
为了联盟还是为了部落 | K means
1. 问题人类有个很有趣的现象,一群人在一起,过一段时间就会自发的形成一个个的小团体.好像我们很擅长寻找和自己气质接近的同类.其实不只是人类,数据也有类似情况,这就是聚类(Clustering)的意 ...
从零开始用Python实现k近邻算法（附代码、数据集）
作者:Tavish Srivastava 翻译:王雨桐校对:丁楠雅本文约2000字,建议阅读8分钟. 本文将带领读者理解KNN算法在分类问题中的使用,并结合案例运用Python进行实战操作. 注意 ...
OpenCV的k - means聚类 -对图片进行颜色量化
OpenCV的k - means聚类目标学习使用cv2.kmeans()数据聚类函数OpenCV 理解参数输入参数样品:它应该的np.float32数据类型,每个特性应该被放在一个单独的列. ...

k-means算法进行数据分析应用

简介

k-means算法进行数据分析应用相关推荐

最新文章

热门文章