1. K-means聚类算法
k-means算法以k为参数,把n个对象分成k个簇,使簇内具有较高的相似度,而簇间的相似度较低。
其处理过程如下:
- 随机选择k个点作为初始的聚类中心。
- 对于剩下的点,根据其与聚类中心的距离,将其归入最近的簇。
- 对每个簇,计算所有点的均值作为新的聚类中心。
- 重复2、3直到聚类中心不再发生改变。
2. K-means的应用
现有1999年全国 31个省份城镇居民家庭平均每人全年消费性支出的八个主要变量数据,这八个变量分别是:食品、衣着、家庭设备用品及服务、医疗保健、交通和通讯、娱乐教育文化服务、居住以及杂项商品和服务。利用已有数据,对31个省份进行聚类。
# 31省市居民家庭消费水平
import numpy as np
from sklearn.cluster import KMeans
def load_data(file_path):
fr = open(file_path, 'r+') # r+ 以读写的方式打开一个文本文件
lines = fr.readlines() # .readlines() 一次读取整个文件(类似与 .read())
ret_data = [] # 用来存储城市的各项消费信息
ret_city_name = [] # 存储城市名称
for line in lines:
items = line.strip().split(",")
ret_city_name.append(items[0])
ret_data.append([float(items[i]) for i in range(1, len(items))])
return ret_data, ret_city_name
if __name__ == '__main__':
data, city_name = load_data('Data/city') # 利用loadData方法读取数据
# 调用Kmeans()和fit_predict()方法进行计算
km = KMeans(n_clusters=4)
# label 聚类后各数据所属的标签
label = km.fit_predict(data)
# expense 每个聚类中心的总消费支出
expenses = np.sum(km.cluster_centers_, axis=1)
# test
# print(km.cluster_centers_)
# print(expenses)
city_cluster = [[], [], [], []] # 改动n_cluster后这里的中括号数量也要相应改动
for i in range(len(city_name)):
city_cluster[label[i]].append(city_name[i])
# 输出
for i in range(len(city_cluster)):
print("Expenses:%.2f" % expenses[i])
print(city_cluster[i])
km = KMeans(n_clusters=4)
max_iter:最大的迭代次数
init:初始聚类中心的初始化算法
n_cluster:用于指定聚类中心的个数
一般调用时只用给出n_cluster即可,init默认是k-means++,max_iter默认是300。
fit_predict()
计算簇中心以及为簇分配序号。