车辆行驶行为聚类K-Means——雷达图

目录

前言：

一、聚类K-Means算法

         二、雷达图

1.导入库

2.导入使用的数据：

3.数据预处理

1.时间窗口选择 

2.车辆行驶次数分布 

3.车辆平均行驶时长 

4.平均行驶里程 

5.平均速度

4.构造聚类用数据集

5. 画出最优K值的K均值模型聚类结果的雷达图以及各类样本数量的饼图

6.画两个聚类的中心点的雷达图

结果显示：

7. 附：完整代码

代码示例：

三.总结

---

前言：

          本文内容是通过聚类K-Means方法实现 车辆行驶次数，车辆平均行驶时长，车辆行驶里程，平均速度等4个变量的雷达图显示

一、聚类K-Means算法

        K-means算法是既简单和最经典的测试距离的算法

        kmeans算法又名k均值算法,K-means算法中的k表示的是聚类为k个簇，means代表取每一个聚类中数据值的均值作为该簇的中心，或者称为质心，即用每一个的类的质心对该簇进行描述。
        其算法思想大致为：先从样本集中随机选取 k个样本作为簇中心，并计算所有样本与这 k个“簇中心”的距离，对于每一个样本，将其划分到与其距离最近的“簇中心”所在的簇中，对于新的簇计算各个簇的新的“簇中心”。
        根据以上描述，我们大致可以猜测到实现kmeans算法的主要四点：
          （1）簇个数 k 的选择
          （2）各个样本点到“簇中心”的距离
          （3）根据新划分的簇，更新“簇中心”
          （4）重复上述2、3过程，直至"簇中心"没有移动
        优缺点：

优点：容易实现
缺点：可能收敛到局部最小值，在大规模数据上收敛较慢

二、雷达图

        雷达图是以从同一点开始的轴上表示的三个或更多个定量变量的二维图表的形式显示多变量数据的图形方法。轴的相对位置和角度通常是无信息的。 雷达图也称为网络图，蜘蛛图，星图，蜘蛛网图，不规则多边形，极坐标图或Kiviat图。它相当于平行坐标图，轴径向排列。【百度】      

1.导入pandas库

注意：这里我只导入了一个库，是因为我还是个新手，所以想一个一个步骤来的，其实在这里可以把这个代码运用的所有库都导入进来也是可以的。

import pandas as pd

2.导入使用的数据：

利用pandas库中的方法获取指定文件的所有数据。

注意：我用的是我自己上课时间老师给的数据，这里需要的是你所需要的数据的相对路径，代码才能正常运行。运行代码后它就是一个列表的形式显示

代码实例：

data_car = pd.read_excel(r'新能