Kmeans聚类模型可视化大合集

Kmeans聚类模型可视化大合集：

​ 当对K-means聚类模型进行可视化时，有多种展示形式可以帮助我们理解和分析聚类结果。以下是一些常见的K-means聚类模型可视化形式：

kmeans构建：

import pandas as pd
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
import os
os.environ['OMP_NUM_THREADS'] = '4'
# 读取数据
data = pd.read_excel('./data/consumption_data.xls')
# 查看缺失行
print("查看缺失行:")
missing_rows = data[data.isnull().any(axis=1)]
print(missing_rows)
# 删除缺失值所在的行
data = data.dropna(axis=0)
# 数据预处理和特征选择
X = data[['R', 'F', 'M']]  # 选择特征列
# 特征标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
 # 设置聚类的簇数
n_clusters = 3
# 创建KMeans对象并进行聚类
kmeans = KMeans(n_clusters=n_clusters,n_init=10)
kmeans.fit(X_scaled)
# 获取聚类结果标签
labels = kmeans.labels_
print(labels)
# 将聚类结果添加到原始数据中
data['Cluster'] = labels

可视化：

指标对比图：

故名思意，按照指标划分展示不同聚的区别：

# 分别提取不同群体的数据
cluster0 = data[data['Cluster'] == 0]
cluster1 = data[data['Cluster'] == 1]
cluster2 = data[data['Cluster'] == 2]

# 每一个指标上展示三聚类的区别
# 获取属性列的名称
attribute_columns = ['R', 'F', 'M']  # 假设属性列为'R', 'F', 'M'

# 绘制概率密度函数图像
for attribute in attribute_columns:
    plt.figure()
    cluster0[attribute].plot(kind='kde', label='Cluster 0')
    cluster1[attribute].plot(kind='kde', label='Cluster 1')
    cluster2[attribute].plot(kind='kde', label='Cluster 2')
    plt.xlabel(attribute)
    plt.ylabel('Density')
    plt.legend()
    plt.savefig(f'./img/1_{attribute}_density.png')  # 保存图像为文件
    plt.show()

单图多子图展示：

attribute_columns = ['R', 'F', 'M']  # 假设属性列为'R', 'F', 'M'

# 创建一个图像
fig, axes = plt.subplots(len(attribute_columns), 1, figsize=(8, 12))

# 绘制概率密度函数图像
for i, attribute in enumerate(attribute_columns):
    cluster0[attribute].plot(kind='kde', label='Cluster 0', ax=axes[i])
    cluster1[attribute].plot(kind='kde', label='Cluster 1', ax=axes[i])
    cluster2[attribute].plot(kind='kde', label='Cluster 2', ax=axes[i])
    axes[i].set_xlabel(attribute)
    axes[i].set_ylabel('Density')
    axes[i].legend()

plt.tight_layout()
plt.savefig(r'./img/2_mode.png')
plt.show()

3*3子图展示：

# 获取属性列的名称
attribute_columns = ['R', 'F', 'M']  # 假设属性列为'R', 'F', 'M'

# 创建三个图像，每个簇一个图
fig, axes = plt.subplots(3, 3, figsize=(12, 12))

# 绘制概率密度函数图像
for i, attribute in enumerate(attribute_columns):
    cluster0[attribute].plot(kind='kde', label='Cluster 0', ax=axes[0, i])
    cluster1[attribute].plot(kind='kde', label='Cluster 1', ax=axes[1, i])
    cluster2[attribute].plot(kind='kde', label='Cluster 2', ax=axes[2, i])
    axes[0, i].set_xlabel('')
    axes[0, i].set_ylabel('Density')
    axes[1, i].set_xlabel('')
    axes[1, i].set_ylabel('Density')
    axes[2, i].set_xlabel(attribute)
    axes[2, i].set_ylabel('Density')
    axes[0, i].legend()
    axes[1, i].legend()
    axes[2, i].legend()

# 调整子图布局
plt.tight_layout()
plt.savefig(r'./img/3_mode.png')
plt.show()

横向单独展示：

# # 获取属性列的名称
attribute_columns = ['F', 'R', 'M']  # 假设属性列为'F', 'R', 'M'

# 创建三个独立的图片
for i, cluster in enumerate([cluster0, cluster1, cluster2]):
    fig, axes = plt.subplots(1, 3, figsize=(12, 4))

    # 绘制概率密度函数图像
    for j, attribute in enumerate(attribute_columns):
        cluster[attribute].plot(kind='kde', label=f'Cluster {i}', ax=axes[j])
        axes[j].set_xlabel(attribute)
        axes[j].set_ylabel('Density')
        axes[j].legend()
    plt.savefig(f'./img/4_cluster{i}_density.png')
    plt.tight_layout()
    plt.show()

纵向单独展示：

# 获取属性列的名称
attribute_columns = ['F', 'R', 'M']  # 假设属性列为'F', 'R', 'M'

# 创建三个独立的图片
for i, cluster in enumerate([cluster0, cluster1, cluster2]):
    fig, axes = plt.subplots(3, 1, figsize=(8, 12))

    # 绘制概率密度函数图像
    for j, attribute in enumerate(attribute_columns):
        cluster[attribute].plot(kind='kde', label=f'Cluster {i}', ax=axes[j])
        axes[j].set_xlabel(attribute)
        axes[j].set_ylabel('Density')
        axes[j].legend()
    plt.savefig(f'./img/5_cluster{i}_density.png')
    plt.tight_layout()
    plt.show()