基于轮廓系数来选择n_clusters（Kmeans聚类分析）

 1、导库

from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_samples, silhouette_score
import matplotlib.pyplot as plt
import matplotlib.cm as cm   # colormap
import numpy as np

# 基于我们的轮廓系数来选择最佳的n_clusters
# 想要知道每个聚出来的类的轮廓系数是多少，还想要一个各个类之间的轮廓系数的对比
# 想知道聚类完毕之后图像的分布是什么模样

2、创建数据

# 创建数据，make_blobs的用法可参考之前的一篇博客。
from sklearn.datasets import make_blobs
X, y = make_blobs(n_samples=500,n_features=2,centers=4,random_state=1)

 3、将函数包装，选取最佳n_clusters

for n_clusters in [2,3,4,5,6,7]:    
    # 先设定我们要分成的蔟数
    n_clusters = n_clusters
    # 创建一个画布，画布上共有一行两列两个图
    fig, (ax1, ax2) = plt.subplots(1, 2)
    # 画布尺寸，两个子图宽度共18，高度为7
    fig.set_size_inches(18, 7)
    # 第一图是我们的轮廓系数图像，是由各个蔟的轮廓系数组成的横向条形图
    # 横向条形图的横坐标是我们的轮廓系数取值，横坐标是我们的每个样本，因为轮廓系数是对每一个样本进行计算的

    # 首先要来设定横坐标
    # 轮廓系数的取值在【-1，1】，但我们至少希望轮廓系数是大于0的
    # 太长的横坐标不利于我们的可视化，所以只设定x的取值范围在[-0.1,1]之间
    ax1.set_xlim([-0.1, 1])   # 设置横坐标
    # 接下来就是设定纵坐标，通常来说，纵坐标是从0开始，最大取值到X.shape[0]的取值
    # 但我们希望，每个蔟都能排在一起，不同的蔟之间有一定的空隙
    # 以便观察不同的条形图聚成的块，理解它对应了哪一个蔟
    # 因此，我们在设定纵坐标的取值范围的时候，在X.shape[0]上，加上一个距离(n_clusters + 1) * 10，留作间隔用。
    ax1.set_ylim([0, X.shape[0] + (n_clusters + 1) * 10])

    # 开始建模，调用聚类好的标签
    clusterer = KMeans(n_clusters=n_clusters, random_state=10).fit(X)
    cluster_labels = clusterer.labels_

    # 调用轮廓系数分数，silhouette_score生成的是所有样本点的轮廓系数均值
    # 两个需要输入的参数是，特征矩阵X和聚类完毕后的标签
    silhouette_avg = silhouette_score(X, cluster_labels)

    # 用print来报一下结果，现在的蔟数量下，整体的轮廓系数究竟有多少
    print("For n_clusters =", n_clusters,
          "The average silhouette_score is :", silhouette_avg)

    # 调用silhouette_samples，返回每个样本下的轮廓系数，这就是我们的横坐标。
    sample_silhouette_values = silhouette_samples(X, cluster_labels)
    # 首先设定y轴上的初始取值
    y_lower = 10
    # 接下来，对每一个蔟进行循环
    for i in range(n_clusters):
        # 从样本的轮廓系数结果中抽取出第i个蔟的轮廓系数，并对他进行排序
        ith_cluster_silhouette_values = sample_silhouette_values[cluster_labels == i]
        # .sort()这个命令会直接改掉原数据的顺序
        ith_cluster_silhouette_values.sort()
        # 查看一个蔟中究竟有多少个样本
        size_cluster_i = ith_cluster_silhouette_values.shape[0]
        # 这一个蔟在y轴上的取值，应该是由初始值（y_lower）开始，到初始值加上这个蔟中的样本数量结束（y_upper）
        y_upper = y_lower + size_cluster_i

        # colormap库中，使用小数来调用颜色的函数
        # 在nipy_spectral([输入任意小数代表一个颜色])
        # 在我们希望看到的每个蔟的颜色是不同的，我们需要的颜色种类刚好是循环的个数的种类
        # 只要能够确保，每次循环生成的小数是不同的，可以使用任意方式来获取小数
        # 可以用i的浮点数除以n_clusters,在不同的i下，自然生成不同的小数
        # 以确保所有的蔟会有不同的颜色
        color = cm.nipy_spectral(float(i)/n_clusters)

        #开始填充子图1中的内容
        # fill_between是让一个范围中的柱状图都统一颜色的函数
        # fill_betweenx的范围是在纵坐标上
        # fill_betweeny 的范围是在横坐标上
        # fill_betweenx的参数应该输入（纵坐标的下限，纵坐标的上限，X轴上的取值，柱状图的颜色）
        ax1.fill_betweenx(np.arange(y_lower, y_upper)
                         ,ith_cluster_silhouette_values
                         ,facecolor=color
                         ,alpha=0.7
                         )
        # 为每个蔟的轮廓系数写上蔟的编号，并且让蔟的编号显示横坐标上每个条形图的中间位置
        # text 的参数为（要显示编号的位置的横坐标，要显示标号位置的纵坐标，要显示的标号内容）
        ax1.text(-0.05
                 , y_lower + 0.5 * size_cluster_i
                 , str(i))

        # 为下一个蔟计算新的y轴上的初始值，是每一次迭代之后，y的上限再加上10
        # 以此来保证，不同的蔟的图像之间显示有空隙
        y_lower = y_upper + 10

    #给图1加上标题，横坐标轴，纵坐标轴的标签
    ax1.set_title("The silhouette plot for the various clusters.")
    ax1.set_xlabel("The silhouette coefficient values")
    ax1.set_ylabel("Cluster label")


    # 把整个数据集上的轮廓系数的均值以虚线的形式放入我们的图中
    ax1.axvline(x=silhouette_avg, color="red", linestyle="--")

    # 让y轴上不显示任何刻度
    ax1.set_yticks([])

    # 让X轴上的刻度显示为我们规定的刻度
    ax1.set_xticks([-0.1, 0, 0.2, 0.4, 0.6, 0.8, 1])

    # 开始对第二个图进行处理，首先获取新颜色，由于这里没有循环，因此，我们需要一次性生成多个小数来获取多个颜色
    # cluster_labels.astype(float)是指将整数转为浮点数
    colors = cm.nipy_spectral(cluster_labels.astype(float) / n_clusters)
    ax2.scatter(X[:, 0], X[:, 1]
               ,marker='o'  # 点的形状
               ,s=8    # 点的大小
               ,c=colors
               )

    # 把生成的质心放到图像中去
    centers = clusterer.cluster_centers_
    # Draw white circles at cluster centers
    ax2.scatter(centers[:, 0], centers[:, 1], marker='x',
                c="red", alpha=1, s=200)

    # 为图二设置标题，横坐标标题，纵坐标标题
    ax2.set_title("The visualization of the clustered data.")
    ax2.set_xlabel("Feature space for the 1st feature")
    ax2.set_ylabel("Feature space for the 2nd feature")

    # 为整个图设置标题
    plt.suptitle(("Silhouette analysis for KMeans clustering on sample data "
                  "with n_clusters = %d" % n_clusters),
                 fontsize=14, fontweight='bold')
    plt.show()

显示的效果为：

For n_clusters = 2 The average silhouette_score is : 0.7049787496083262

For n_clusters = 3 The average silhouette_score is : 0.5882004012129721

For n_clusters = 4 The average silhouette_score is : 0.6505186632729437

 

For n_clusters = 5 The average silhouette_score is : 0.5745566973301872

 

For n_clusters = 6 The average silhouette_score is : 0.4387644975296138

For n_clusters = 7 The average silhouette_score is : 0.3728615111052894

从上面的结果中，可以看出，当n_clusters=2或4时，聚类效果最好。可以根据业务需求，选择适合的分类个数。