快捷導(dǎo)航

Python KMeans聚類問題分析

更新時間：2018年02月23日 10:55:58 作者：落葉_小唱

這篇文章主要為大家詳細介紹了Python KMeans聚類問題，具有一定的參考價值，感興趣的小伙伴們可以參考一下

今天用python實現(xiàn)了一下簡單的聚類分析，順便熟悉了numpy數(shù)組操作和繪圖的一些技巧，在這里做個記錄。

from pylab import *
from sklearn.cluster import KMeans

## 利用numpy.append()函數(shù)實現(xiàn)matlab多維數(shù)組合并的效果，axis 參數(shù)值為 0 時是 y 軸方向合并，參數(shù)值為 1 時是 x 軸方向合并，分別對應(yīng)matlab [A ; B] 和 [A , B]的效果

#創(chuàng)建5個隨機的數(shù)據(jù)集
x1=append(randn(500,1)+5,randn(500,1)+5,axis=1)
x2=append(randn(500,1)+5,randn(500,1)-5,axis=1)
x3=append(randn(500,1)-5,randn(500,1)+5,axis=1)
x4=append(randn(500,1)-5,randn(500,1)-5,axis=1)
x5=append(randn(500,1),randn(500,1),axis=1)

# 下面用較笨的方法把5個數(shù)據(jù)集合并成 （2500，2）大小的數(shù)組data
data=append(x1,x2,axis=0)
data=append(data,x3,axis=0)
data=append(data,x4,axis=0)
data=append(data,x5,axis=0)

plot(x1[:,0],x1[:,1],'oc',markersize=0.8)
plot(x2[:,0],x2[:,1],'og',markersize=0.8)
plot(x3[:,0],x3[:,1],'ob',markersize=0.8)
plot(x4[:,0],x4[:,1],'om',markersize=0.8)
plot(x5[:,0],x5[:,1],'oy',markersize=0.8)


k=KMeans(n_clusters=5,random_state=0).fit(data)
t=k.cluster_centers_ # 獲取數(shù)據(jù)中心點

plot(t[:,0],t[:,1],'r*',markersize=16) # 顯示這5個中心點，五角星標記~

title('KMeans Clustering')
box(False)

xticks([])  # 去掉坐標軸的標記
yticks([])

show()

結(jié)果如下：

2017/01/11更新

今天重新試運行程序的出現(xiàn)報錯了，提示導(dǎo)入NUMPY_MKL失敗，因為之前用命令pip install -U numpy手動更新了numpy，最初的是在http://www.lfd.uci.edu/~gohlke/pythonlibs/#numpy 里下載的numpy-1.11.2+mkl-cp27-cp27m-win_amd64.whl 文件安裝的，只要重新安裝回去就可以了

2017/1/18更新

python中還有一個叫plotly 的package，可以通過pip install plotly 或 pip3 install plotly(Python3.X) ，使用這個package可以繪制精美的圖像，官網(wǎng)中有很多例子介紹，同時plotly 還支持matlab，R等，但是個人覺得plotly 的繪圖語法相比matplotlib 的繁瑣，需要照著例程來修改才比較方便，不過如果只是要想數(shù)據(jù)可視化更好看的話參考官網(wǎng)例程并做修改也無妨，下面是來自官網(wǎng)的一段示例代碼：

import plotly.plotly as py
import plotly.graph_objs as go
import plotly
import numpy as np

#生成三組高斯分布(Gaussian Distribution)點集

x0 = np.random.normal(2, 0.45, 300)
y0 = np.random.normal(2, 0.45, 300)

x1 = np.random.normal(6, 0.8, 200)
y1 = np.random.normal(6, 0.8, 200)

x2 = np.random.normal(4, 0.3, 200)
y2 = np.random.normal(4, 0.3, 200)

#創(chuàng)建圖形對象 graph object
trace0 = go.Scatter(
 x=x0,
 y=y0,
 mode='markers',
)
trace1 = go.Scatter(
 x=x1,
 y=y1,
 mode='markers'
)
trace2 = go.Scatter(
 x=x2,
 y=y2,
 mode='markers'
)
trace3 = go.Scatter(
 x=x1,
 y=y0,
 mode='markers'
)
#布局是一個字典，字典關(guān)鍵字keys包括：'shapes', 'showlegend'
layout = {
 'shapes': [
  {
   'type': 'circle',
   'xref': 'x',
   'yref': 'y',
   'x0': min(x0),
   'y0': min(y0),
   'x1': max(x0),
   'y1': max(y0),
   'opacity': 0.2,
   'fillcolor': 'blue',
   'line': {
    'color': 'blue',
   },
  },
  {
   'type': 'circle',
   'xref': 'x',
   'yref': 'y',
   'x0': min(x1),
   'y0': min(y1),
   'x1': max(x1),
   'y1': max(y1),
   'opacity': 0.2,
   'fillcolor': 'orange',
   'line': {
    'color': 'orange',
   },
  },
  {
   'type': 'circle',
   'xref': 'x',
   'yref': 'y',
   'x0': min(x2),
   'y0': min(y2),
   'x1': max(x2),
   'y1': max(y2),
   'opacity': 0.2,
   'fillcolor': 'green',
   'line': {
    'color': 'green',
   },
  },
  {
   'type': 'circle',
   'xref': 'x',
   'yref': 'y',
   'x0': min(x1),
   'y0': min(y0),
   'x1': max(x1),
   'y1': max(y0),
   'opacity': 0.2,
   'fillcolor': 'red',
   'line': {
    'color': 'red',
   },
  },
 ],
 'showlegend': False,
}
data = [trace0, trace1, trace2, trace3]
#圖像包括數(shù)據(jù)部分和布局部分
fig = {
 'data': data,
 'layout': layout,
}
#使用離線的方式繪制圖像，因為沒有注冊官方的網(wǎng)站，而且那個網(wǎng)站不容易進去，所以用離線繪制
plotly.offline.plot(fig, filename='clusters')

結(jié)果是通過瀏覽器打開圖片的，可以保存到本地，如下圖：

總結(jié)：plotly 這個庫雖然語法比較繁瑣，但是對數(shù)據(jù)顯示要求較高的情況下可以充分利用，一般繪圖的話使用matplotlib比較方便，特別是ipython模式下先執(zhí)行from pylab import * 可以獲得和MATLAB 類似的工作環(huán)境。

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: