Python3.5下

Pycharm中使用Ipython运行K-means.py(数据集在文末附录中)


#使用K-Means算法聚类消费行为特征数据
import pandas as pd
#参数初始化
if __name__ == '__main__':inputfile = './consumption_data.xls' #销量及其他属性数据outputfile = './data_type.xls' #保存结果的文件名k = 3 #聚类的类别iteration = 500 #聚类最大循环次数data = pd.read_excel(inputfile, index_col = 'Id') #读取数据data_zs = 1.0*(data - data.mean())/data.std() #数据标准化from sklearn.cluster import KMeansmodel = KMeans(n_clusters = k, n_jobs = 4, max_iter = iteration) #分为k类，并发数4model.fit(data_zs) #开始聚类#简单打印结果r1 = pd.Series(model.labels_).value_counts() #统计各个类别的数目r2 = pd.DataFrame(model.cluster_centers_) #找出聚类中心r = pd.concat([r2, r1], axis = 1) #横向连接（0是纵向），得到聚类中心对应的类别下的数目r.columns = list(data.columns) + [u'类别数目'] #重命名表头print(r)#详细输出原始数据及其类别r = pd.concat([data, pd.Series(model.labels_, index = data.index)], axis = 1)  #详细输出每个样本对应的类别r.columns = list(data.columns) + [u'聚类类别'] #重命名表头r.to_excel(outputfile) #保存结果def density_plot(data): #自定义作图函数import matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号p = data.plot(kind='kde', linewidth = 2, subplots = True, sharex = False)[p[i].set_ylabel(u'密度') for i in range(k)]plt.legend()return pltpic_output = './' #概率密度图文件名前缀for i in range(k):density_plot(data[r[u'聚类类别']==i]).savefig(u'%s%s.png' %(pic_output, i))

以上代码在Ipython中运行结束后，然后在Ipython中贴下面的代码运行（代码不要贴在Pycharm的编辑器中运行，那样运行不了）：


#接k_means.py
from sklearn.manifold import TSNEtsne = TSNE()
tsne.fit_transform(data_zs) #进行数据降维
print("降低维度后的数据是",tsne.values)
tsne = pd.DataFrame(tsne.embedding_, index = data_zs.index) #转换数据格式
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号
#不同类别用不同颜色和样式绘图
d = tsne[r[u'聚类类别'] == 0]
plt.plot(d[0], d[1], 'r.')
d = tsne[r[u'聚类类别'] == 1]
plt.plot(d[0], d[1], 'go')
d = tsne[r[u'聚类类别'] == 2]
plt.plot(d[0], d[1], 'b*')
plt.show()

# 第0类是红色的，图中的形状是小数点
# 第1类是绿色的，图中的形状是小写英文字母o
# 第2类是蓝色的，图中的形状是*

上述结果每次运行都不一样，所以如果想要复现，需要固定随机数种子。

如何解释上述结果？

首先获取tsne的结果，代码是：

print(tsne.values)

得到:

array([[ 20.876358  ,  17.261963  ],[-27.484392  ,  12.656176  ],[ 23.45644   , -28.271107  ],...,[ -0.50676364,   0.3249685 ],[  0.55632466,   9.019595  ],[  1.1041971 ,  19.157196  ]], dtype=float32)

所以图中的结果是降维后的矩阵(940,2)在二维坐标系上的绘制。

---------------------------------------------附录--------------------------------------------------------------

consumption_data.xls内容如下:

注意上面读取excel时采用绝对路径，数据如下：

Id R F M
1 27 6 232.61
2 3 5 1507.11
3 4 16 817.62
4 3 11 232.81
5 14 7 1913.05
6 19 6 220.07
7 5 2 615.83
8 26 2 1059.66
9 21 9 304.82
10 2 21 1227.96
11 15 2 521.02
12 26 3 438.22
13 17 11 1744.55
14 30 16 1957.44
15 5 7 1713.79
16 4 21 1768.11
17 93 2 1016.34
18 16 3 950.36
19 4 1 754.93
20 27 1 294.23
21 5 1 195.3
22 17 3 1845.34
23 12 13 1434.29
24 21 3 275.85
25 18 5 449.76
26 30 21 1628.68
27 4 2 1795.41
28 7 12 1786.24
29 18 1 679.44
30 60 7 5318.81
31 4 22 873.68
32 16 1 654.69
33 3 2 230.37
34 14 11 1165.68
35 13 21 1276.31
36 10 16 334.21
37 5 5 759.19
38 1 1 1383.39
39 24 8 3280.77
40 19 4 154.65
41 9 1 501.38
42 1 24 1721.93
43 14 1 107.18
44 10 1 973.36
45 10 17 764.55
46 7 6 1251.4
47 23 11 923.28
48 15 1 1011.18
49 1 15 1847.61
50 3 21 1669.46
51 10 3 1758.05
52 30 8 1865.99
53 28 8 1791.44
54 4 15 874.6
55 24 5 557.17
56 16 2 1025.35
57 7 2 1261.47
58 66 4 2920.81
59 4 2 1266.02
60 21 11 626.37
61 6 4 1105.63
62 26 21 1465.58
63 8 21 630.74
64 26 2 1546.45
65 14 11 1577.91
66 17 6 170.16
67 20 5 1558.75
68 5 5 1272.06
69 26 3 111.02
70 15 7 1578.37
71 26 24 720.26
72 25 16 873.22
73 4 7 935.19
74 23 11 723.67
75 15 9 1833.01
76 6 3 681.26
77 78 11 1461.63
78 15 17 560.57
79 9 18 1761.19
80 8 7 1707.25
81 28 2 227.14
82 22 3 223.57
83 8 6 940.46
84 23 6 256.3
85 5 1 312.44
86 15 14 929.52
87 27 15 1296.66
88 22 11 591.62
89 2 2 755.72
90 18 17 1424.07
91 61 8 940.93
92 3 7 414.24
93 1 14 576.56
94 12 22 1037.14
95 26 5 1200.17
96 1 3 1727.36
97 13 16 503.71
98 19 7 703.36
99 12 17 1583.05
100 3 18 602.9
101 5 1 798.41
102 25 7 1202.09
103 85 4 1605.36
104 28 21 1222.34
105 25 19 593.17
106 8 6 94.75
107 14 1 89.7
108 21 15 1061.56
109 29 15 978.85
110 14 3 155.9
111 20 5 938.15
112 3 24 1477.97
113 10 6 1976.23
114 8 5 181.17
115 17 4 499.65
116 49 1 76.22
117 13 11 267.1
118 23 1 137.62
119 65 5 1383.47
120 20 22 1311.2
121 22 13 496.61
122 21 6 1921.8
123 14 11 304.1
124 26 1 468.09
125 27 9 432.67
126 30 1 368.35
127 11 4 759.69
128 26 3 1110.81
129 28 1 53
130 39 11 1314.21
131 11 6 1895.95
132 23 1 417.23
133 3 2 679.58
134 5 1 533.97
135 24 8 1134.64
136 25 6 825.39
137 10 6 165.39
138 29 9 1234.64
139 80 11 1829.32
140 23 1 89
141 4 2 1557.88
142 3 8 1328.01
143 15 7 304.65
144 17 23 1505.55
145 16 7 711.1
146 16 1 539.76
147 5 1 65.83
148 16 3 776.21
149 22 18 1820.61
150 19 4 1997
151 4 22 1846.69
152 23 7 1252.41
153 7 13 987.17
154 3 6 1130.03
155 18 1 148.32
156 28 1 135.57
157 6 2 1641.79
158 7 2 242.83
159 21 8 1803.02
160 12 12 1557.95
161 25 4 1494.81
162 26 13 1280.06
163 28 1 160
164 22 9 440.12
165 14 1 746.95
166 12 2 351.09
167 6 2 556.91
168 7 3 957.83
169 16 16 1212.37
170 11 2 946.65
171 16 13 1442.68
172 5 12 1612.7
173 0 21 1281.68
174 9 13 1928.8
175 24 7 335.35
176 3 8 1589.35
177 20 11 797.72
178 17 1 793.47
179 13 16 569.47
180 10 3 149.5
181 17 21 515.38
182 8 4 187.76
183 20 7 1441.83
184 27 1 121.61
185 25 11 934.58
186 16 15 591.06
187 15 4 951.31
188 12 11 914
189 3 22 1058
190 9 2 1111.51
191 17 9 458.52
192 27 18 927.59
193 73 1 1370.25
194 17 1 946.53
195 10 1 1474.41
196 16 3 1661.03
197 0 9 1465.18
198 17 3 1813.45
199 5 7 772.54
200 4 1 172.82
201 14 4 552.37
202 12 8 946.28
203 26 2 651.99
204 6 9 857.79
205 7 4 1016.55
206 5 6 1766.44
207 25 3 908.53
208 28 2 403.75
209 25 4 1270.75
210 13 3 1157.92
211 13 1 497.09
212 2 1 216.78
213 23 16 1454.58
214 2 17 1027.58
215 24 12 722.09
216 15 7 282.19
217 11 4 106.96
218 18 1 999.75
219 24 14 1139.33
220 24 5 836.72
221 3 2 1678.54
222 3 17 1337.34
223 1 4 1335.77
224 11 2 810.2
225 29 11 943.9
226 51 12 5135.77
227 6 9 984.12
228 6 5 1413.55
229 1 6 381.95
230 6 14 788.22
231 29 1 80.8
232 21 1 611.13
233 24 4 1766.35
234 0 2 1516.76
235 9 6 1925.2
236 17 1 344.23
237 49 1 204.1
238 5 2 1257.59
239 7 3 1095.09
240 2 1 123.76
241 3 2 696.82
242 26 2 1487.35
243 19 3 1278.43
244 28 14 627.97
245 12 1 95
246 14 4 1827.01
247 10 6 754.05
248 19 2 922.93
249 12 12 257.4
250 1 14 676.34
251 3 19 984.32
252 27 32 1914.06
253 13 4 1953.81
254 1 4 768.02
255 61 13 1379.86
256 42 1 1054.24
257 21 11 298.34
258 17 5 841.04
259 8 9 1757.87
260 22 11 1010.7
261 13 6 948.83
262 12 24 852.95
263 7 7 1532.72
264 11 6 1891.29
265 10 21 1900.33
266 16 13 598.84
267 8 21 1622.91
268 21 7 536.53
269 66 6 180.51
270 18 8 1751.33
271 26 1 1146.43
272 24 6 654.8
273 4 3 1599.58
274 14 16 1317.4
275 16 18 1665.03
276 11 17 440.21
277 16 3 1689.94
278 3 12 1163.78
279 11 6 664.23
280 10 4 1658.4
281 3 8 1293.56
282 59 14 912.94
283 25 2 1265.24
284 20 6 1169.96
285 25 3 735.19
286 5 6 1749.68
287 17 15 483.51
288 23 22 1436.67
289 16 2 1439.93
290 16 1 252.12
291 7 14 848.68
292 30 9 252.98
293 5 2 464.9
294 3 2 50.14
295 5 5 1381.21
296 23 1 1606.04
297 8 11 309.45
298 69 15 1441.57
299 12 8 434.36
300 61 6 1893.97
301 16 18 1391.11
302 12 24 1292.14
303 3 6 312.33
304 17 24 845.68
305 16 6 1993.47
306 22 2 1414.29
307 2 11 472.46
308 10 1 1255.44
309 7 12 1256.98
310 15 9 904.91
311 8 9 237.52
312 7 11 1143.16
313 20 7 805.15
314 15 4 1259.42
315 11 7 247.64
316 3 1 1391.51
317 12 18 866.59
318 71 23 1127.95
319 25 9 1535.08
320 20 13 911.15
321 20 5 1001.84
322 10 1 91.93
323 15 7 1172.57
324 9 18 1882.22
325 1 19 528.68
326 21 11 1943.65
327 28 7 570.73
328 5 6 909.57
329 12 8 1406.95
330 10 11 1060.91
331 4 1 90.67
332 17 15 1757.5
333 65 11 1082.01
334 1 6 1665.49
335 20 17 553.53
336 24 18 1568.74
337 24 4 993.88
338 9 17 511.39
339 12 23 7149.96
340 11 16 1994.53
341 6 13 399.26
342 20 7 211.93
343 16 2 1466.19
344 29 2 1185.26
345 22 16 1400.35
346 11 1 433
347 10 4 238.6
348 22 3 1393.92
349 7 3 720.16
350 26 16 1810.43
351 24 6 230.28
352 4 4 772.84
353 26 1 339.03
354 5 19 1118.51
355 1 6 328.31
356 21 17 1385.52
357 47 5 169.25
358 8 18 1177.91
359 26 12 879.69
360 11 3 446.58
361 16 1 1437.14
362 13 21 695.48
363 27 16 1715.16
364 19 1 1048.5
365 2 17 1545.94
366 22 1 656.28
367 15 11 620.08
368 16 12 1111.76
369 26 5 1440.3
370 30 11 173.89
371 29 9 365.41
372 29 19 1495.14
373 7 24 1456.31
374 13 13 1327.45
375 24 1 1445.07
376 20 2 67.47
377 15 14 759.95
378 8 11 268.31
379 44 11 887.47
380 8 22 1970.75
381 26 2 335.05
382 13 19 419.22
383 7 12 494.74
384 10 11 1535.51
385 9 1 571.11
386 12 1 1491.21
387 12 3 1385.53
388 1 11 1030.93
389 4 4 978.71
390 15 1 516.33
391 6 24 543.75
392 5 4 356.23
393 10 18 1789.67
394 24 16 1978.79
395 16 5 434.48
396 22 23 1458.64
397 15 1 854.1
398 18 13 1879.27
399 8 24 1901.09
400 39 2 1521.44
401 14 13 1956.9
402 12 14 690.06
403 1 18 1157.17
404 17 6 600.46
405 1 21 1108.49
406 25 23 512.01
407 25 11 1510.08
408 27 21 1255.12
409 3 5 1676.56
410 1 17 1974.68
411 28 4 418.22
412 1 19 1577.28
413 5 24 1416.82
414 23 9 1300.04
415 12 23 1206.86
416 11 16 1699.1
417 10 19 1031.1
418 8 9 414.99
419 58 8 1262.55
420 18 4 1254.34
421 7 1 1103.45
422 8 14 1802.11
423 0 2 387.24
424 19 22 1204.62
425 27 19 1058.39
426 22 1 696.37
427 12 7 1055.71
428 2 14 1649.81
429 27 19 1293.73
430 20 16 1517.39
431 28 3 1497.35
432 4 9 399.02
433 6 1 1598.45
434 0 18 1300.99
435 18 15 1008.74
436 13 8 1819.96
437 21 18 630.47
438 6 5 1478.86
439 16 21 1562.08
440 29 9 1171.59
441 8 21 1642.86
442 11 19 1373.12
443 8 5 180.07
444 2 18 996.17
445 7 1 45.23
446 29 11 1049.44
447 16 8 220.03
448 19 7 393.14
449 14 17 1963.58
450 9 6 147.12
451 6 7 1279.7
452 24 1 633.17
453 12 1 1562.66
454 14 21 1354.59
455 8 1 911.62
456 25 4 1725.82
457 4 4 573.16
458 14 13 1331.53
459 13 14 1688.13
460 13 4 180
461 4 22 636.38
462 10 8 830.24
463 20 22 641.43
464 4 1 790.84
465 17 22 686
466 29 18 839.53
467 7 22 1862.15
468 4 2 1645.01
469 26 13 678.39
470 1 15 1287.7
471 24 12 1138.13
472 25 21 1081.9
473 1 11 432.32
474 18 13 437.33
475 24 23 852.05
476 18 5 1686.86
477 39 15 1420.24
478 27 11 869.55
479 25 8 1919.58
480 12 22 1451.94
481 2 1 1824.64
482 7 11 1877.28
483 6 24 1717.3
484 17 16 6148.05
485 13 2 111.17
486 21 1 621.61
487 16 1 1663.79
488 7 7 1247.65
489 5 1 198.72
490 8 1 927.95
491 33 1 117.62
492 6 13 1674.32
493 1 21 734.98
494 5 11 1387.5
495 8 18 488.5
496 7 6 92.63
497 6 7 1808.21
498 19 21 910.94
499 14 6 1564.15
500 25 14 1894.13
501 10 12 751.38
502 4 11 1813.51
503 4 6 1367.15
504 15 5 1264.09
505 7 1 685.55
506 4 4 1296.34
507 14 7 1300.12
508 38 15 1728.68
509 11 1 487.28
510 4 12 1313.31
511 25 17 1694.35
512 5 2 1931.97
513 27 22 1372.36
514 26 18 1731.94
515 19 1 1496.83
516 22 15 1798.79
517 11 6 803.94
518 24 11 1505.96
519 17 1 120.52
520 18 7 936.77
521 23 7 1824.41
522 17 5 177.08
523 1 19 867.99
524 21 17 756.88
525 13 4 6433.81
526 38 2 1947.54
527 19 5 549.35
528 26 8 1680.69
529 30 12 555.2
530 7 6 334.12
531 17 19 925.89
532 27 6 249.2
533 12 14 666.3
534 27 17 1955.27
535 8 11 363.62
536 4 8 1728
537 20 9 197.43
538 28 24 973.93
539 27 12 1051.75
540 12 19 1315.32
541 4 13 1628.32
542 13 12 1452.1
543 16 21 1591.59
544 10 1 487.24
545 36 18 839.52
546 8 11 1729.52
547 13 3 1679
548 2 18 780.88
549 9 5 498.99
550 26 11 1932.64
551 27 1 98.39
552 5 6 239.36
553 23 13 866.19
554 27 4 1469.94
555 26 7 1273.07
556 24 19 1617.51
557 24 9 334.68
558 7 12 1288.1
559 42 2 1784.51
560 16 7 1234.33
561 21 21 1730.02
562 13 3 1512.12
563 9 4 93
564 26 3 1767.68
565 24 11 1640.19
566 5 6 750.26
567 6 12 299.66
568 19 14 1735.09
569 26 11 1628.49
570 20 4 1155.02
571 22 8 1923.31
572 2 18 391.1
573 13 14 411.61
574 21 4 1631.06
575 21 18 1359.47
576 26 3 1083.38
577 23 16 1320.69
578 13 21 564.33
579 13 3 1936.93
580 12 21 766.06
581 23 8 1090.77
582 25 9 1932.46
583 27 11 747.42
584 14 12 377.47
585 13 6 141.28
586 8 22 547.14
587 23 3 344.95
588 17 7 999.24
589 13 12 745.11
590 28 23 751.19
591 8 1 954.72
592 26 3 1066.27
593 17 2 489.08
594 3 15 885.49
595 39 14 1454.39
596 13 8 519.83
597 18 21 473.87
598 10 21 1465.95
599 4 6 301.49
600 20 16 951.76
601 16 15 1282.64
602 14 6 347.42
603 1 5 164.98
604 20 7 99.67
605 7 5 1909.29
606 1 11 981.2
607 16 14 1473.62
608 18 1 72.31
609 20 23 1128.24
610 2 9 1444.39
611 1 1 128
612 59 1 1767.93
613 18 1 531.73
614 27 1 85.63
615 2 2 698.67
616 3 3 690.64
617 29 1 249.85
618 9 3 563.28
619 19 5 1191.27
620 21 22 1400.81
621 6 2 1749.21
622 23 11 471.6
623 27 19 1325.11
624 12 13 778.11
625 8 6 216.09
626 84 2 276.26
627 19 2 1657.46
628 26 2 1483.83
629 21 5 554.38
630 15 13 1457.71
631 7 15 1537.57
632 3 21 627.72
633 1 3 1920.02
634 7 9 739.45
635 19 23 639.21
636 2 22 1321.41
637 19 14 1214.69
638 5 2 1576.96
639 2 6 1726.92
640 9 2 418.18
641 93 1 878.92
642 24 11 1829.07
643 9 19 919.33
644 28 14 950.21
645 22 3 773.16
646 29 1 314.52
647 4 2 1708.36
648 3 5 129.92
649 11 2 1427.69
650 22 13 1128.25
651 29 2 1198.38
652 9 24 880.79
653 21 2 1152.14
654 103 6 320.79
655 26 18 568.95
656 13 15 553.58
657 10 1 103.32
658 8 5 62.11
659 29 14 1572.41
660 15 4 946.16
661 16 7 1189.99
662 17 1 1856.61
663 9 9 802.56
664 7 11 1399.32
665 3 12 853.18
666 16 18 1346.3
667 12 8 1899.43
668 8 19 1829.73
669 14 6 1995.32
670 121 19 1343.96
671 6 24 579
672 9 17 1535.08
673 10 22 1035.15
674 5 6 1990.33
675 16 12 1998.24
676 26 4 1904.23
677 20 4 1844.99
678 16 18 835.03
679 5 11 1960.2
680 2 4 480.5
681 16 5 1041.53
682 16 7 233.22
683 21 16 1906.48
684 29 11 572.41
685 8 18 1634.84
686 15 2 120.92
687 8 2 312.85
688 21 1 1097.34
689 14 7 583.65
690 13 7 1361.69
691 28 21 1168.85
692 4 3 1840.56
693 16 5 1254.12
694 19 24 1088.95
695 11 2 1940.85
696 3 18 1187.4
697 9 2 1725.07
698 27 7 1717.7
699 12 4 1290.95
700 16 3 1075.38
701 54 8 1352.2
702 5 13 1553.19
703 24 12 1971.23
704 27 6 226.25
705 13 5 1779.41
706 8 11 1934.78
707 30 2 377.73
708 7 23 959.73
709 18 5 406.12
710 18 1 807.35
711 0 21 814.76
712 7 3 1199.35
713 19 1 593.31
714 12 2 726.51
715 14 22 980.27
716 7 19 722.57
717 15 7 207.07
718 8 5 334.09
719 11 3 1472.33
720 14 5 1670.74
721 58 21 1902.07
722 17 22 1949.76
723 3 22 490.72
724 9 3 145.14
725 5 1 90.41
726 10 4 118.43
727 5 2 527.92
728 23 11 1887.65
729 27 16 1344.29
730 24 2 1665.91
731 10 19 439.31
732 4 2 812.47
733 16 6 1251.32
734 21 22 1497.22
735 25 14 1328.08
736 7 1 285.05
737 27 9 270.18
738 52 7 649.58
739 18 1 73.1
740 23 6 271.1
741 28 7 309.92
742 27 4 1582.05
743 5 17 1661.15
744 24 6 327.09
745 15 6 214.7
746 14 4 573.03
747 15 9 423.98
748 22 3 895.91
749 28 5 1651.61
750 20 2 161.6
751 10 2 666.05
752 12 4 596.93
753 27 18 1919.11
754 22 18 1348.37
755 11 16 1746.07
756 6 24 685.08
757 28 6 1272.97
758 3 19 1527.41
759 17 5 1968.29
760 21 24 1269.7
761 27 14 755.85
762 6 21 1471.02
763 28 26 1167.93
764 20 1 343.18
765 26 11 1051.25
766 20 18 1190.9
767 24 6 564.02
768 5 28 1090.56
769 8 22 1687.67
770 17 21 1968.93
771 28 18 436.54
772 28 5 1681.4
773 20 1 28.43
774 4 20 837.3
775 7 17 803.21
776 4 1 49.7
777 1 11 612.05
778 14 20 1121.53
779 16 6 173.27
780 12 23 954.11
781 3 26 701.23
782 25 10 995.61
783 15 4 1576.22
784 5 5 1559.12
785 8 1 161.15
786 11 2 225.69
787 2 2 1776.01
788 24 10 1599.47
789 21 3 304.23
790 6 15 1856.11
792 24 10 734.29
793 53 6 1437.02
794 25 8 879.55
795 69 21 677.5
796 8 24 1830.94
797 2 6 521.58
798 18 22 598.34
799 29 9 245.96
800 4 20 1127.64
801 25 15 1176.69
802 13 23 1312.58
803 6 25 547.58
804 4 4 714.95
805 1 22 1617.22
806 22 8 1893.54
807 27 29 1290.45
808 23 13 1434.73
809 3 5 200.52
810 8 17 1042.82
811 21 7 1542.58
812 7 1 171.09
813 16 1 49.61
814 3 3 443.42
815 15 8 410.27
816 18 1 338.22
817 26 9 389.47
818 19 9 1627.36
820 2 15 617.82
821 27 17 921
822 10 13 602.29
823 5 7 132.27
824 15 19 704.16
825 26 17 1336.09
826 24 9 199.27
827 28 9 1438.39
828 20 26 773.5
829 20 3 251.94
830 15 10 1337.51
831 18 11 301.09
832 22 14 714.36
833 10 2 1513.69
834 14 16 393.81
835 25 10 904.58
836 21 1 358.62
837 18 13 1696.64
838 20 3 465.7
839 10 5 631.59
840 29 15 1283.59
841 11 9 1335.59
842 27 23 990.49
843 21 17 1256.47
844 1 19 1728.84
845 8 4 617.83
846 10 9 1380.94
847 4 3 1783.68
848 4 1 23.24
849 19 9 587.24
850 11 13 1574.3
851 19 1 1898.46
852 8 1 953.18
853 23 2 351.39
854 6 7 652.8
855 26 2 1270.24
856 19 6 207.82
857 23 1 68.31
858 20 7 1525.26
859 13 12 1992.17
860 18 15 1956.9
861 15 3 1945.2
862 2 8 1893.18
863 22 27 1554.73
864 11 18 1424.69
865 5 2 248.11
866 1 5 275.93
867 9 13 1611.27
868 10 1 93.72
869 18 10 1530.48
870 27 13 1509.41
871 9 24 1281.48
872 26 3 539.2
873 29 2 1399.1
874 25 29 1733.38
875 27 14 653.55
876 43 2 706.12
877 24 29 1489.27
878 28 21 1956.83
879 12 14 1795.23
880 10 22 730.88
881 7 11 1583.77
882 18 2 169.75
883 18 6 1607.65
884 68 3 916.19
885 20 23 681.57
886 16 12 1528.57
887 5 28 1396.47
888 3 3 259.83
889 4 6 1804.3
890 15 21 1073.82
891 27 11 884.15
892 16 7 411.65
893 20 20 933.47
894 9 19 1692.98
895 1 14 1168.04
896 18 9 289.67
897 21 6 1527.15
898 1 20 1951.03
899 0 4 1331.32
900 13 27 719.12
901 16 6 735.31
902 56 4 1869.92
903 26 1 150.18
904 24 2 157.54
905 2 9 1748.72
906 15 3 890.99
907 16 11 649.79
908 23 27 1628.78
909 21 2 1599.24
910 12 23 1550.61
911 8 1 183.55
912 26 5 1230.32
913 9 14 1627.19
914 11 28 1154.7
915 17 1 33.58
916 15 9 1959.64
917 10 22 1581.14
918 27 5 1879.82
919 25 3 1142.4
920 15 1 174.64
921 5 2 638.81
922 19 4 1067.78
923 14 22 1345.92
924 6 3 1311.06
925 26 8 962.62
926 23 1 285.97
927 17 17 1651.68
928 16 3 1503.87
929 6 13 1506.48
930 22 24 625.12
931 28 17 1742.95
932 17 26 1292.21
933 16 7 1801.38
934 1 27 1585.1
935 17 27 7795.03
936 2 17 2341.93
937 1 5 1865.78
938 19 4 1163.08
939 9 7 1007.06
940 27 7 1322.94
941 30 4 860.41
942 22 1 776.7

5-5 用TSNE进行数据降维并展示聚类结果相关推荐

  1. ML之DR：基于鸢尾花(Iris)数据集利用多种降维算法(PCA/TSVD/LDA/TSNE)实现数据降维并进行二维和三维动态可视化应用案例

    ML之DR:基于鸢尾花(Iris)数据集利用多种降维算法(PCA/TSVD/LDA/TSNE)实现数据降维并进行二维和三维动态可视化应用案例 目录 基于鸢尾花(Iris)数据集利用多种降维算法(PCA ...

  2. tSNE—高维数据降维可视化（理论部分）

    t-SNE是一种降维方法,PCA主成分分析.LDA等属于线性降维,t-SNE属于非线性降维,是一种流形学习方法(Manifold Learning). 如图所示的曲面上,两点之间的欧式距离为红色虚线所 ...

  3. TSNE高维数据降维可视化工具 + python实现

    文章目录 1.概述 1.1 什么是TSNE 1.2 TSNE原理 1.2.1入门的原理介绍 1.2.2进阶的原理介绍 1.2.2.1 高维距离表示 1.2.2.2 低维相似度表示 1.2.2.3 惩罚 ...

  4. K-means聚类算法、Pandas绘制概率密度图和TSNE展示聚类结果

    K-means聚类算法是典型的基于距离的非层次聚类算法,在最小化误差函数的基础上将数据划分为预定的K个类,使得K个类达到类内数据距离之和最小而类间距离之和最大.它是无监督学习算法,采用距离作为相似性的 ...

  5. 【Gensim + TSNE使用】word2vec词向量处理中文小说 （词嵌入、高维数据降维）

    [Gensim + TSNE使用]word2vec词向量处理中文小说 本文使用Gensim对小说斗破苍穹进行词嵌入可视化 流程 数据预处理,将小说数据滤除停止词,分词book_loader(). 调用 ...

  6. PCA图像数据降维及重构误差分析实战并使用TSNE进行异常数据可视化分析

    PCA图像数据降维及重构误差分析实战并使用TSNE进行异常数据可视化分析 目录 PCA图像数据降维及重构误差分析实战并使用TSNE进行异常数据可视化分析</

  7. 数据降维与可视化——t-SNE

    数据降维与可视化--t-SNE 原文:https://blog.csdn.net/hustqb/article/details/78144384 声明: manifold:可以称之为流形数据.像绳结一 ...

  8. python用tsne降维_哈工大硕士实现了 11 种经典数据降维算法，源代码库已开放

    网上关于各种降维算法的资料参差不齐,同时大部分不提供源代码.这里有个 GitHub 项目整理了使用 Python 实现了 11 种经典的数据抽取(数据降维)算法,包括:PCA.LDA.MDS.LLE. ...

  9. 对pca降维后的手写体数字图片数据分类_知识干货-机器学习-TSNE数据降维

    1.TSNE的基本概念 2.例1 鸢尾花数据集降维 3.例2 MINISET数据集降维 1.TSNE的基本概念 t-SNE(t-distributed stochastic neighbor embe ...

最新文章

  1. 开启报名丨中文信息学会青工委学术沙龙：“推荐系统前沿进展”
  2. Swift 获取渐变色颜色值
  3. 2017.1.19切题总结
  4. ASP.NET MVC的Action拦截器（过滤器）ActionFilter
  5. 为啥linux分区是nvme0n1,NAS 篇五：尝试达成最终目标： 黑裙+万兆网卡+Nvme 存储空间的实现与测试...
  6. Ubuntu Hudson 安装配置
  7. Prelude CC 2019 for Mac附激活补丁 v8.1.0中文版
  8. 键盘定位板图纸_Alienware AW510K RGB矮轴机械键盘评测
  9. Eclipse XML 编辑器
  10. Android——获取实时的手机屏幕四个点经纬度(百度地图)
  11. 如何写出成功的商业计划书
  12. QCC3040---Log module
  13. JS一些常用证件信息的正则表达式
  14. 摩尔定律到摩尔第二定律
  15. 使用 HTML5 设计辅助功能
  16. 小白必备！Rust 编程语言入门教程
  17. comsol学习中心：定义与材料选择
  18. GO语言获取文件的大小
  19. 测绘——通过手机和smart3D创建三维模型
  20. 奖项 | 2019亚洲区块链50强榜单中国区名单公布！

热门文章

  1. 使用VirtualBox SDK之初步编译
  2. vue js前端根据所需参数生成二维码并下载
  3. （二）HTTP初相识--了解HTTP协议
  4. oracle表名最大长度6,Oracle中表名的最大长度是多less？
  5. go 公众号 关注 监听_开言英语公众号关注
  6. vue中style的scoped属性的设计方式
  7. Tomcat配置https访问SSL证书(pfx文件)
  8. 使用boost.python进行混合开发
  9. oracle 怎么拼,ORACLE 简化拼接
  10. Redis 数据结构与内存管理策略（上）