基于k-means聚类算法对NBA球员数据的一次聚类分析

前言

聚类分析的研究成果主要集中在基于距离（或者称为基于相似度）的聚类方法，用距离来作为相似性度量的优点是十分直观，从我们对物体的识别角度来分析，同类的数据样本是相互靠近的，不同类样本应该相聚较远。k-means聚类算法是划分聚类方法中最常用、最流行的经典算法，许多其他的算法都是k-means聚类算法的变种。其主要思想是通过迭代过程将数据集划分为不同类别，使评价聚类性能的准则函数达到最优，使生成的每个聚类类内紧凑，类间独立。
本文用到的数据来自我的一门数据分析课程，是一个包括了286名NBA球员数据的csv表格。

本章工具

• Anaconda3下的Jupyter Notebook编译器
• python3.7环境

在jupyter notebook读取数据：

通过seaborn包中的lmplot函数绘出散点图，可以看到数据的大致分布：

k-means介绍

k-means原理

Kmeans聚类算法的思路通俗易懂，通过不断计算各样本点与簇中心的距离，直到收敛为止，具体步骤如下：

1.从数据中随机挑选k个样本点作为原始的簇中心
2.计算剩余样本与簇中心的距离，并把各样本标记为离k个簇中心最近的类别
3.重复计算各簇中样本点的均值，并以均值作为新的k个簇中心
4.重复2、3步骤，直到簇中心的变化趋势趋于稳定，形成最终的k个簇

如下图所示

Python提供了实现该算法的模块——sklearn，我们只需要调用其子模块cluster中的Kmeans类即可，该“类”的语法和参数含义如下：

Kmeans(n_clusters=8, init='k-means++', n_init=10, max_iter=300, tol=0.0001,
        precompute_distances='auto', verbose=0, random_state=None, 
        copy_x=True, n_jobs=1, algorithm='auto')

• n_clusters：用于指定聚类的簇数
• init：用于指定初始的簇中心的设置方法，如果为’k-means++’，则表示设置的初始簇中心相距较远；如果为’random’则表示从数据集中随机挑选k个样本作为初始簇中心；如果为数组，则表示用户指定具体的初始簇中心
• n_init：用于指定Kmeans算法的运行次数，每次运行时都会选择不同的初始簇中心，目的是防止算法收敛于局部最优，默认为10
• max_iter：用于指定单次运行的迭代次数，默认为300
• tol：用于指定算法的收敛阈值，默认为0.0001
• precompute_distances：bool类型参数，是否在算法运行之前计算样本之间的距离，默认为’auto’，表示当样本量与变量个数的乘积大于1200万时不计算样本之间的距离
• verbose：通过该参数设置算法返回日志信息的频度，默认为0，表示不输出日志信息；如果为1，就表示每隔一段时间返回日志信息
• random_state：用于指定随机数生成器的种子
• copy_X：bool类型参数，当参数precompute_distances为True时有效，如果该参数为True，就表示提前计算距离时不改变原始数据，否则会修改原始数据
  n_jobs：用于指定算法运行时的CPU数量，默认为1，如果为-1，就表示使用所有可用的CPU
• algorithm：用于指定Kmeans的实现算法，可以选择’auto’‘full’和’elkan’，默认为’auto’，表示自动根据数据特征选择运算的算法

最佳k值的确定

本文使用了两种常用的评估方法，用于确定最佳k值：“簇内离差平方和拐点法”、“轮廓系数法”

拐点法

在不同的k值下计算簇内的离差平方和，然后通过可视化的方法找到“拐点”所对应的k值。

# 构造自定义函数，用于绘制不同k值和对应总的簇内离差平方和的折线图
def k_SSE(X, clusters):
    # 选择连续的K种不同的值
    K = range(1,clusters+1)
    # 构建空列表用于存储总的簇内离差平方和
    TSSE = []
    for k in K:
        # 用于存储各个簇内离差平方和
        SSE = []
        kmeans = KMeans(n_clusters=k)
        kmeans.fit(X)
        # 返回簇标签
        labels = kmeans.labels_
        # 返回簇中心
        centers = kmeans.cluster_centers_
        # 计算各簇样本的离差平方和，并保存到列表中
        for label in set(labels):
            SSE.append(np.sum((X.loc[labels == label,]-centers[label,:])**2))
        # 计算总的簇内离差平方和 
        TSSE.append(np.sum(SSE))

    # 中文和负号的正常显示
    plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
    plt.rcParams['axes.unicode_minus'] = False
    # 设置绘图风格
    plt.style.use('ggplot')
    # 绘制K的个数与GSSE的关系
    plt.plot(K, TSSE, 'b*-')
    plt.xlabel('簇的个数')
    plt.ylabel('簇内离差平方和之和')
    # 显示图形
    plt.show()


from sklearn import preprocessing
# 数据标准化处理
X = preprocessing.minmax_scale(players[['得分','罚球命中率','命中率','三分命中率']])
# 将数组转换为数据框
X = pd.DataFrame(X, columns=['得分','罚球命中率','命中率','三分命中率'])
k_SSE(X, 15)

通过离差平方和的折线图我们能发现k值最好取在3、4、5之间，但还是很难通过观察找到最佳的k值。于是我们可以用下文的第二个方法：轮廓系数法。

轮廓系数法

该方法综合考虑了簇的密集性与分散性两个信息，如果数据集被分割为理想的k个簇，那么对应的簇内样本会很密集，而簇间样本会很分三，轮廓系数的计算公式如下：

其中，a(i)体现了簇内的密集性，代表样本i与同簇内其他样本点距离的平均值；b(i)反映了簇间的分散性，其计算过程是：样本i与其他非同簇样本点距离的平均值，然后从平均值中挑选出最小值。

有关轮廓系数的计算，我们可以直接调用sklearn子模块metris中的函数silhouette_score。该函数接受的聚类簇数必须大于或等于2，下面基于该函数重新自定义一个函数，用于绘制不同k值下对应轮廓系数的折线图，具体代码如下所示：

# 构造自定义函数，用于绘制不同k值和对应轮廓系数的折线图
def k_silhouette(X, clusters):
    K = range(2,clusters+1)
    # 构建空列表，用于存储个中簇数下的轮廓系数
    S = []
    for k in K:
        kmeans = KMeans(n_clusters=k)
        kmeans.fit(X)
        labels = kmeans.labels_
        # 调用字模块metrics中的silhouette_score函数，计算轮廓系数
        S.append(metrics.silhouette_score(X, labels, metric='euclidean'))

    # 中文和负号的正常显示
    plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
    plt.rcParams['axes.unicode_minus'] = False
    # 设置绘图风格
    plt.style.use('ggplot')    
    # 绘制K的个数与轮廓系数的关系
    plt.plot(K, S, 'b*-')
    plt.xlabel('簇的个数')
    plt.ylabel('轮廓系数')
    # 显示图形
    plt.show()

k_silhouette(X, 10)

观察不同k值轮廓系数折线图，我们能发现k=2时轮廓系数最大，总体随k值增大而递减，但是最大也只有0.36左右，并不能达到约等于1的理想值，所以我们综合轮廓系数法和拐点法，在之前的结论3、4、5中选出最合适的k值：3。

聚类运算

在上面的结论下，我们把该数据聚集为三类：

# 将球员数据集聚为3类
kmeans = KMeans(n_clusters = 3)
kmeans.fit(X)
# 将聚类结果标签插入到数据集players中
players['cluster'] = kmeans.labels_
# 构建空列表，用于存储三个簇的簇中心
centers = []
for i in players.cluster.unique():
    centers.append(players.loc[players.cluster == i,['得分','罚球命中率','命中率','三分命中率']].mean())
# 将列表转换为数组，便于后面的索引取数
centers = np.array(centers)

# 绘制散点图
sns.lmplot(x = '得分', y = '命中率', hue = 'cluster', data = players, markers = ['^','s','o'],
           fit_reg = False, scatter_kws = {'alpha':0.8}, legend = False)
# 添加簇中心
plt.scatter(centers[:,0], centers[:,2], c='k', marker = '*', s = 180)
plt.xlabel('得分')
plt.ylabel('命中率')
# 图形显示
plt.show()

结果分析

从最终的结论图中我们不难发现，第一类红色部分表示该球员得分相对较低且命中率也较低，我们可以总结为得分能力不强的组织型球员，总样本中占156人。以下是此类球员名单：

res0Series = pd.Series(kmeans.labels_)
res0 = res0Series[res0Series.values == 0]
print(players.iloc[res0.index])

第二类用紫色圆点表示，其得分低但命中率很高，我们可以归类为上场及进攻次数较少的新秀球员，占54人
蓝色正方形表示的球员属于第三类，特点是得分高、命中率高，我们总结其为职业生涯巅峰球员，各个球队的得分机器，样本中有76人。

小结

本篇介绍并实践了一种无监督的聚类算法——Kmeans聚类，在对NBA球员数据集进行聚类之后，我们通过观察聚类的结果，可以对比球员的好坏，在实际应用中可以帮助我们进行人才的挑选。

参考文献

• 《数据仓库与数据挖掘》陈志泊主编 清华大学出版社
• 《从零开始学数据分析与挖掘》 刘顺祥著 清华大学出版社
• 还要感谢博客上大神们的帖子，我从中学到了很多，帮助我解决了很多问题