在数据分析挖掘过程中常用的聚类算法有1.K-Means聚类,2.K-中心点,3.系统聚类.
1.K-均值聚类在最小误差基础上将数据划分为预定的类数K(采用距离作为相似性的评价指标).每次都要遍历数据,所以大数据速度慢
2.k-中心点,不采用K-means中的平均值作为簇中心点,而是选中距离平均值最近的点最为簇中心点.
3.系统聚类又叫多层次聚类,分类是由高到低(可以想象下二叉树这种结构),越靠后,包含的数据点越少,但共同特征越多,缺点是不适合大数据量,速度慢.
K-mans聚类实战代码:
#-*- coding: utf-8 -*- ‘‘‘ 聚类离散化,最后的result的格式为: 1 2 3 4 A 0 0.178698 0.257724 0.351843 An 240 356.000000 281.000000 53.000000 即(0, 0.178698]有240个,(0.178698, 0.257724]有356个,依此类推。 ‘‘‘ from __future__ import print_function import pandas as pd from sklearn.cluster import KMeans #导入K均值聚类算法 datafile = ‘../data/data.xls‘ #待聚类的数据文件 processedfile = ‘../tmp/data_processed.xls‘ #数据处理后文件 typelabel ={u‘肝气郁结证型系数‘:‘A‘, u‘热毒蕴结证型系数‘:‘B‘, u‘冲任失调证型系数‘:‘C‘, u‘气血两虚证型系数‘:‘D‘, u‘脾胃虚弱证型系数‘:‘E‘, u‘肝肾阴虚证型系数‘:‘F‘} k = 4 #需要进行的聚类类别数 #读取数据并进行聚类分析 data = pd.read_excel(datafile) #读取数据,data是个dataframe keys = list(typelabel.keys()) result = pd.DataFrame() #声明一个空DataFrame结构 if __name__ == ‘__main__‘: #判断是否主窗口运行,如果是将代码保存为.py后运行,则需要这句,如果直接复制到命令窗口运行,则不需要这句。 for i in range(len(keys)): #调用k-means算法,进行聚类离散化 print(u‘正在进行“%s”的聚类...‘ % keys[i]) kmodel = KMeans(n_clusters = k, n_jobs = 4) #n_jobs是并行数,一般等于CPU数较好 # print(data[[keys[i]]].as_matrix());exit(); kmodel.fit(data[[keys[i]]].as_matrix()) #训练模型,as_matrix()转化为Numpy数组,返回指定数列 # print(data[[keys[i]]]);exit(); r1 = pd.DataFrame(kmodel.cluster_centers_, columns = [typelabel[keys[i]]]) #聚类中心,kmodel.cluster_centers_返回四个聚类中心点 #选取K个初始类簇中心(通常是从数据集随机选取K个数据)的情况下,遍历数据集中所有点,计算到K个聚类中心点的距离,那个距离最近, # 就分配到该类簇中心所代表的类簇,分配完毕后,重新选取K个类簇的中心点(K个类簇各自的平均值),重新遍历数据集到K个类簇中心的距离, # 直到类簇中心点的变化很小,或者达到指定的迭代(计算)次数. # 缺点:可能收敛到局部最小值(受到初始簇中心的影响), # 在大规模数据集上收敛较慢(每次迭代均需要历遍数据集中的每一个数据样本,且迭代次数默认值为300) # print([typelabel[keys[i]]]); r2 = pd.Series(kmodel.labels_).value_counts() #分类统计,K个聚类各有多少个数据点 #DataFrame和Series是pandas的两种数据结构,series理解为索引数组,DataFrame是Series组成的二维数据,具有航索引和列索引,形状理解为矩阵 r2 = pd.DataFrame(r2, columns = [typelabel[keys[i]]+‘n‘]) #转为DataFrame,记录各个类别的数目 # print(r2);exit(); r = pd.concat([r1, r2], axis = 1).sort_values(typelabel[keys[i]]) #匹配聚类中心和类别数目,sort_values按某列排序 # print(r);exit(); r.index = [1, 2, 3, 4] r[typelabel[keys[i]]] = pd.Series.rolling(r[typelabel[keys[i]]], 2).mean() #rolling_mean()用来计算相邻2列的均值 # (废弃rolling_mean,用Series.rolling().mean()代替),以此作为边界点。 r[typelabel[keys[i]]][1] = 0.0 #这两句代码将原来的聚类中心改为边界点。 result = result.append(r.T) result = result.sort_index() #以Index排序,即以A,B,C,D,E,F顺序排 result.to_excel(processedfile)
原文地址:https://www.cnblogs.com/hanshuai0921/p/9032305.html
时间: 2024-11-07 01:53:35