Python机器学习应用 Unit1 聚类- K-means聚类算法 和 DBSCAN密度聚类算法

课源：Python机器学习应用 BIT嵩天，本文作为个人课堂笔记。

准备工作：导论 和 sklearn库的安装

K-means聚类算法

K-means算法定义/举例

**K-means聚类算法实验：

1999省份消费水平数据文件：//download.csdn.net/download/Ammo_smartisan/12364455
**

通过聚类，了解1999年各个省份的消费水平在国内的情况。

[city.txt 为1999年各个省份的消费水平在国内的情况，数据文件在资源列表下载即可。

#K-means test
import numpy as np			//①建立工程，导入sklearn相关包  
from sklearn.cluster import KMeans  

def loadData(filePath):
    fr = open(filePath,'r+')			//r+ 读写打开一个文本文件
    lines = fr.readlines()				//依次打开整个文件
    retData=[]
    retCityName=[]
    for line in lines:
        items = line.strip().split(",")
        retCityName.append(items[0])    //城市名称
        retData.append([float(items[i])for i in range(1,len(items))])  //城市各项消费信息
    return retData,retCityName     //返回 该城市名称+消费信息

if __name__ == '__main__':
	//②创建K-means算法实例并进行训练获得标签
    data,cityName = loadData('city.txt')   //loadData方法读取数据
    km = KMeans(n_clusters = 3)				//创建实例  n_clusters=聚类中心个数
    label = km.fit_predict(data)  			//调用方法进行计算
    expenses = np.sum(km.cluster_centers_,axis=1)
    #print(expenses) 						//expenses 聚类中心数值加和=平均消费水平
    CityCluster = [[],[],[]]   				//按照label分成设定的簇
    for i in range(len(cityName)):
        CityCluster[label[i]].append(cityName[i])   	 //输出名称
    for i in range(len(CityCluster)):
        print("Expenses:%2f"%expenses[i])  		 //输出平均花费
        print(CityCluster[i])

聚成3类 n_clusters = 3 km = KMeans(n_clusters = 3) 结果：

DBSCAN密度聚类算法

DBSCAN算法定义/举例

学生上网日志数据文件：//download.csdn.net/download/Ammo_smartisan/12365457


这里有两个量，一个是半径Eps，一个是指定的数目MinPts。

Eps邻域：简单来讲就是与点p的距离小于等于Eps的所有的点的集合，可以表示为NEps§)。
直接密度可达。如果p在核心对象q的Eps邻域内，则称对象p从对象q出发是直接密度可达的。
密度可达。对于对象链：p1，p2…pn，pi+1是从pi关于Eps和MinPts直接密度可达的，则对象pn是从对象p1关于Eps和MinPts密度可达的。

本博客作为个人的笔记本使用，课程参考 mooc ：Python机器学习应用 。

DBSCAN聚类算法实验

数据介绍：
现有大学校园网的日志数据, 290条大学生的校园网使用情况数据,数据包
括用户ID,设备的MAC地址,IP地址,开始上网时间,停止上网时间,上网时长,校园网套餐等。
利用已有数据,分析学生上网的模式。

实验目的：
通过DBSCAN聚类,分析学生上网时间和上网时长的模式。


（1）按照上网时间聚类分析：

#DBSCAN_test

import numpy as np
import sklearn.cluster as skc
from sklearn import metrics
import matplotlib.pyplot as plt

mac2id=dict()
onlinetimes=[]
f=open('TestData.txt',encoding='utf-8')

for line in f:
    mac=line.split(',')[2]     #读取：每条数据的MAC地址，开始上网时间和时时长
    onlinetime=int(line.split(',')[6])
    starttime=int(line.split(',')[4].split(' ')[1].split(':')[0])
    
    if mac not in mac2id:           #mac2id是一个字典 key=mac地址；value=时长+开始时间
        mac2id[mac]=len(onlinetimes)
        onlinetimes.append((starttime,onlinetime))
    else:
        onlinetimes[mac2id[mac]]=[(starttime,onlinetime)]

real_X=np.array(onlinetimes).reshape((-1,2))

X=real_X[:,0:1]   #调用DBSCAN方法进行训练，label为每个数据的簇标签
db=skc.DBSCAN(eps=0.01,min_samples=20).fit(X)
labels = db.labels_

print('Labels:')  #打印数据被记上的标签，计算标签为-1（噪声数据的比例）
print(labels)
raito=len(labels[labels[:] == -1]) / len(labels)
print('Noise raito:',format(raito, '.2%'))
 
n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0) #计算簇的个数并打印
print('Estimated number of clusters: %d' % n_clusters_)
print("Silhouette Coefficient: %0.3f"% metrics.silhouette_score(X, labels))
 
for i in range(n_clusters_):  #打印各簇标号及簇内数据
    print('Cluster ',i,':')
    print(list(X[labels == i].flatten()))
     
plt.hist(X,24)  #转换直方图展示

运行结果：

Labels
[ 0 -1  0  1 -1  1  0  1  2 -1  1  0  1  1  3 -1 -1  3 -1  1  1 -1  1  3
  4 -1  1  1  2  0  2  2 -1  0  1  0  0  0  1  3 -1  0  1  1  0  0  2 -1
  1  3  1 -1  3 -1  3  0  1  1  2  3  3 -1 -1 -1  0  1  2  1 -1  3  1  1
  2  3  0  1 -1  2  0  0  3  2  0  1 -1  1  3 -1  4  2 -1 -1  0 -1  3 -1
  0  2  1 -1 -1  2  1  1  2  0  2  1  1  3  3  0  1  2  0  1  0 -1  1  1
  3 -1  2  1  3  1  1  1  2 -1  5 -1  1  3 -1  0  1  0  0  1 -1 -1 -1  2
  2  0  1  1  3  0  0  0  1  4  4 -1 -1 -1 -1  4 -1  4  4 -1  4 -1  1  2
  2  3  0  1  0 -1  1  0  0  1 -1 -1  0  2  1  0  2 -1  1  1 -1 -1  0  1
  1 -1  3  1  1 -1  1  1  0  0 -1  0 -1  0  0  2 -1  1 -1  1  0 -1  2  1
  3  1  1 -1  1  0  0 -1  0  0  3  2  0  0  5 -1  3  2 -1  5  4  4  4 -1
  5  5 -1  4  0  4  4  4  5  4  4  5  5  0  5  4 -1  4  5  5  5  1  5  5
  0  5  4  4 -1  4  4  5  4  0  5  4 -1  0  5  5  5 -1  4  5  5  5  5  4
  4]
Noise raito: 22.15%
Estimate number of clusters:6
Silhouette Coefficient: 0.710
Cluster 0 :
[22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22, 22]
Cluster 1 :
[23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23]
Cluster 2 :
[20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20]
Cluster 3 :
[21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21]
Cluster 4 :
[8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8]
Cluster 5 :
[7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7]

实验结果：

可得，大多数样本的上网时间在20:00-23:00。