分级聚类的缺点
- 计算量大,数据越大运行越缓慢。
- 没有确切的将数据分成不同的组,只是形成了树状图。虽然我倒觉得如果写过多的代码这一点还是可以搞定的。
原理
如下图所示,对于5个数据项和两个聚类过程是这样的,先随机产生两个聚类点,那么每一个数据项都会离一其中一个最近,那么将其分配给那个聚类。比如,A/B分配了给了上方的点,C/D/E分配给了下方的点。紧着,将聚类点的位置会发生改变,会改变到分配给它的所有数据项的中心位置。然后再进行一次分配,很明显C的距离离上面那一个点变得更近了。所以再将C分配给了上面的聚类点,接着,聚类点的位置再次发生改变。如此一来。当然分配的过程中,没有一个点的分配状况被改变,那么聚类点的位置也不会发生改变。此时,聚类结束。我们产生了两个聚类。
所以与分级聚类相比,其还会接受一个额外的参数,就是希望参数多少个聚类的多少。
k均值聚类的代码
代码如下:import random
def kcluster(rows,distance=pearson,k=4):
#收集每一行的最大值和最小值
ranges=[(min([row[i] for row in rows]),max([row[i] for row in rows])) for i in range(len(rows[0]))]
#创建k个聚类点,第一次是随机的,数组列表里面再装了一个数组列表,外层数据列表有4个元素,内层数据列表有和单词数一样多个。
#内层数组列表的每一个数值就是最大值到最小值之间的一个数,表示这个聚类点与其他数据点之间的...差距吧,因为如果两者数值一样,那么就离得很近
#刚开始这个数值是每一行都加入了,后来将聚类点新的位置的时候,只有这个属于这个类的元素点才算进去,求平均了
clusters=[[random.random()*(ranges[i][1]-ranges[i][0])+ranges[i][0] for i in range(len(rows[0]))] for j in range(k)]
lastmatches=None
for t in range(100):#迭代次数,这里写的是100次
print 'Iteration %d' % t
bestmatches=[[]for i in range(k)]#一个列表数组里面再装一个列表数组
#在每一行中寻找距离最近的中心点
for j in range(len(rows)):#那得博客的数量,也就是对每一个博客
row=rows[j]#从0开始,没问题,这里拿到第一个博客的词频,因为博客名和单词都不在这个data数据集里面,这里是一行一行的拿数据
bestmatch=0#没有加s,与上一个不同.假设与第0个聚类点最近
for i in range(k):#循环4次
d=distance(clusters[i],row)#计算聚类点和数据之间的距离
if d<distance(clusters[bestmatch],row):bestmatch=i
bestmatches[bestmatch].append(j)#bestmathes里面的元素就是4个数组,因为每个数组里面就是数,如果0就代表第一个博客,1就代表第二个博客
#如果迭代的过程中,与上次相同,那么就停止。
if bestmatches==lastmatches:break
lastmatches=bestmatches
#中心点移动到其所有成员的平均位置处
for i in range(k):
avgs=[0.0]*len(rows[0])#产生和单词数量一样多的的0.0
if len(bestmatches[i])>0:#说明分类里面有元素
for rowid in bestmatches[i]:#这个代码很清晰,bestmatches里面每一个数组列表里面存的就是rowid
for m in range(len(rows[rowid])):
avgs[m]+=rows[rowid][m]#把存在于rowid的行和m列的数都取出来加起来,最后求平均值
for j in range(len(avgs)):#其实这里就是求一个平均的数值。
avgs[j]/=len(bestmatches[i])#bestmatches[i]是一个聚类,一个聚类里有多少rowid,就除以多少个rowid,就形成了平均。
clusters[i]=avgs
return bestmatches
执行代码:
blognames,words,data=readfile('blogdata.txt')
kclust=kcluster(data,k=10)
print [blognames[r] for r in kclust[0]]
结果如下:
我只打印了聚类中的第一个类的结果。
>>>
Iteration 0
Iteration 1
Iteration 2
Iteration 3
Iteration 4
Iteration 5
Iteration 6
['Hot Air', 'Talking Points Memo: by Joshua Micah Marshall', 'Andrew Sullivan | The Daily Dish', "Captain's Quarters", 'Power Line', 'The Blotter', 'Crooks and Liars', 'Think Progress', 'NewsBusters.org - Exposing Liberal Media Bias']
>>>
很有意思的是:我发现每次结果都不一样。那这必然是因为初始随机点产生的不同的原因吧。
对项目的启示
这是一个纯粹对算法的学习,从聚类对项目的帮助来说,我已经在前两篇博客里谈的太多了,这里就不重复了。
需要记住,这个聚类产生的计算速度更快,而且可以确定产生多少个种类。这非常重要。到时在优化速度的时候必然有很大的帮助
全部源代码
# -*- coding: cp936 -*-
def readfile(filename):
lines=[line for line in file(filename)]
#第一行是列标题,也就是被统计的单词是哪些
colnames=lines[0].strip().split('\t')[1:]#之所以从1开始,是因为第0列是用来放置博客名了
rownames=[]
data=[]
for line in lines[1:]:#第一列是单词,但二列开始才是对不同的单词的计数
p=line.strip().split('\t')
#每行都是的第一列都是行名
rownames.append(p[0])
#剩余部分就是该行对应的数据
data.append([float(x) for x in p[1:]])#data是一个列表,这个列表里每一个元素都是一个列表,每一列表的元素就是对应了colnames[]里面的单词
return rownames,colnames,data
from math import sqrt
def pearson(v1,v2):
#先求和
sum1=sum(v1)
sum2=sum(v2)
#求平方和
sum1Sq=sum([pow(v,2) for v in v1])
sum2Sq=sum([pow(v,2) for v in v2])
#求乘积之和
pSum=sum([v1[i]*v2[i] for i in range(len(v1))])
#计算pearson相关系数
num=pSum-(sum1*sum2/len(v1))
den=sqrt((sum1Sq-pow(sum1,2)/len(v1))*(sum2Sq-pow(sum2,2)/len(v1)))
if den==0:return 0
return 1.0-num/den#因为在本题中,我们想要相似度也大的两个元素的距离越近,所以才用1去减它们
import random
def kcluster(rows,distance=pearson,k=4):
#收集每一行的最大值和最小值
ranges=[(min([row[i] for row in rows]),max([row[i] for row in rows])) for i in range(len(rows[0]))]
#创建k个聚类点,第一次是随机的,数组列表里面再装了一个数组列表,外层数据列表有4个元素,内层数据列表有和单词数一样多个。
#内层数组列表的每一个数值就是最大值到最小值之间的一个数,表示这个聚类点与其他数据点之间的...差距吧,因为如果两者数值一样,那么就离得很近
#刚开始这个数值是每一行都加入了,后来将聚类点新的位置的时候,只有这个属于这个类的元素点才算进去,求平均了
clusters=[[random.random()*(ranges[i][1]-ranges[i][0])+ranges[i][0] for i in range(len(rows[0]))] for j in range(k)]
lastmatches=None
for t in range(100):#迭代次数,这里写的是100次
print 'Iteration %d' % t
bestmatches=[[]for i in range(k)]#一个列表数组里面再装一个列表数组
#在每一行中寻找距离最近的中心点
for j in range(len(rows)):#那得博客的数量,也就是对每一个博客
row=rows[j]#从0开始,没问题,这里拿到第一个博客的词频,因为博客名和单词都不在这个data数据集里面,这里是一行一行的拿数据
bestmatch=0#没有加s,与上一个不同.假设与第0个聚类点最近
for i in range(k):#循环4次
d=distance(clusters[i],row)#计算聚类点和数据之间的距离
if d<distance(clusters[bestmatch],row):bestmatch=i
bestmatches[bestmatch].append(j)#bestmathes里面的元素就是4个数组,因为每个数组里面就是数,如果0就代表第一个博客,1就代表第二个博客
#如果迭代的过程中,与上次相同,那么就停止。
if bestmatches==lastmatches:break
lastmatches=bestmatches
#中心点移动到其所有成员的平均位置处
for i in range(k):
avgs=[0.0]*len(rows[0])#产生和单词数量一样多的的0.0
if len(bestmatches[i])>0:#说明分类里面有元素
for rowid in bestmatches[i]:#这个代码很清晰,bestmatches里面每一个数组列表里面存的就是rowid
for m in range(len(rows[rowid])):
avgs[m]+=rows[rowid][m]#把存在于rowid的行和m列的数都取出来加起来,最后求平均值
for j in range(len(avgs)):#其实这里就是求一个平均的数值。
avgs[j]/=len(bestmatches[i])#bestmatches[i]是一个聚类,一个聚类里有多少rowid,就除以多少个rowid,就形成了平均。
clusters[i]=avgs
return bestmatches
blognames,words,data=readfile('blogdata.txt')
kclust=kcluster(data,k=10)
print [blognames[r] for r in kclust[0]]
代码、数据已传至网盘:
My_K_MeansClustering.py
blogdata.txt
blogdata.txt