【集体智慧编程】第三章发现群组

最新推荐文章于 2021-08-12 16:27:25 发布

lujian_life

最新推荐文章于 2021-08-12 16:27:25 发布

阅读量471

点赞数

分类专栏： python 文章标签： python

本文链接：https://blog.csdn.net/lujian_life/article/details/71908972

版权

python 专栏收录该内容

9 篇文章 0 订阅

订阅专栏

本文介绍数据聚类概念，通过分析博客CSS订阅话题和社区意愿，利用聚类算法对博客用户和词汇进行分组。内容包括单词向量构建、分级聚类、距离度量和树状图可视化，展示了从复杂数据集中提取群组结构的过程。

摘要由CSDN通过智能技术生成

发现群组（数据聚类）

对第二章的想法，加以拓展，引入“数据聚类”(data clustering)的概念。本章主要涉及以下内容

从各种不同的来源中构造算法所需的数据
两种不同的聚类算法
有关距离度量（distance metrics）的知识
简单的图形可视化代码，用以观察所生产的群组
如何将异常复杂的数据集投影到二维空间中

本文涉及两个例子：
1、对博客CSS订阅话题，根据涉及的词汇对博客分组；对词汇的用法，对词汇分组；
2、对社区网站考察，获取人们已拥有或者希望拥有的物品，对人们的意愿进行分组。

一、单词向量

1、对博客用户进行分组

目的：一组指定的词汇在每个博客订阅源中出现的次数。根据单词出现的频度进行聚类，尝试分析出具有相似主题或者写作风格的博客用户。

代码块
..生成generatefeedvector.py

import feedparser  # 解析RSS的一个包
import re

# 返回一个RSS订阅源的标题和包含单词计数情况的字典
def getwordcounts(url):
    # 解析订阅源
    d = feedparser.parse(url)
    wc = {}

    # 循环遍历所有的文章条目
    for e in d.entries:
        if 'summary' in e: summary = e.summary
        else: summary = e.description

    # 提取一个单词列表
        words = getword(e.title+' '+summary)  # getword(题目+空格+文章)
        for word in words:
            wc.setdefault(word,0)  # 如果键在字典wc中，返回这个键对应的值，如果不在字典中，则添加键到字典中，并将键对应的值默认为0
            wc[word] += 1  # 用于统计单词出现的次数
    return d.feed.title,wc

   # 函数getwordcounts 将摘要传给函数getwords，后者会将其中所有的HTML标记剥离
   # 并以非字母字符作为分隔符拆分出单词，再将结果以列表的形式返回


def getword(html):
    # 去除所有HTML标记
    txt = re.compile(r'<[^>]>').sub('',html)
    # 利用所有非字母字符拆分出单词,split()通过指定分隔对字符串进行切片
    words = re.compile(r'[^A-Z^a-z]+').split(txt)
    # 转化成小写的形式
    return [word.lower() for word in words if word!='']


# 代码的第一部分  遍历文件中的每一行url地址，然后生成针对每个博客的单词统计，
# 以及出现这些单词的博客数目（apcount）

apcount = {}
wordcounts = {}
feedlist = [line for line in open('feedlist_china.txt')]  # 注意路径原为file,改为open
for feedurl in feedlist:
    try:
        title, wc = getwordcounts(feedurl)  # title,wc 类似Google blogoscoped {u'limited':1, u'all':5, u'research':6}
        wordcounts[title] = wc  # 得到wordcounts类似{u'Google Blogoscoped': 
#{u'limited': 1, u'all': 5, u'searchable': 1, u'results': 1, u'browsers': 2}
        for word, count in wc.items():  # items()方法返回字典的键值元组对的列表,wc.item=[(词汇,计数)，(词汇,计数)]
            apcount.setdefault(word, 0)  # 此时 apcount={word, 0}
            if count > 1:
               apcount[word] += 1
    except:
        print('Failed to parse feed %s' % feedurl)


# 建立一个单词列表，将其实际用于针对每个博客的单词计数
# 将10% 定为下界，50%定为上界
wordlist = []
for w, bc in apcount.items():  # apcount.items()类似于[(u'limited', 0), (u'all', 1), (u'searchable', 0)]
    frac = float(bc)/len(feedlist)  # 变成浮点算法，不然结果不准确
    if frac>0.1 and frac<0.5: wordlist.append(w)  # wordlist = ['limited', 'all', 'searchable']

# 最后我们利用上述单词列表和博客列表来建立一个文本文件，包含对每个博客所有单词的统计情况
out = open('blogdata.txt', 'w')
out.write('Blog')
for word in wordlist: out.write('\t%s' % word)
out.write('\n')
for blog, wc in wordcounts.items():
    out.write(blog)
    for word in wordlist:
        if word in wc: out.write('\t%d' % wc[word])
    out.write('\n')

以上代码生成如下格式数据：

blog	word1	word2	…
blog1	1	2	…
blog2	3	3	…
…	…	…	…

2、分级聚类

分级聚类是通过连续不断地将最为相似的群组两两合并,来构造一个群组的层级结构。
层级聚类过程

以下代码实现对博客数据集进行聚类，以构造博客的层级结构。

# clusters.py

def readfile(filename):
    lines = [line for line in open(filename)]
#lines example
# [blogname, word1, word2, ...
#  A,        5,     6,     ...
#  B,        3,     1,     ...
#  C,        2,     0,     ...]

# 第一行是列标题
# 加载blogdata.txt的话，lines=['blog\w1\w2\w3\...','blogname\w1词频\w2词频\w3词频',...]
    colnames=lines[0].strip().split('\t')[1:]  # 从第二列始 获取博客总的词条
    # strip() 移除字符串头尾指定的字符

# columns 是按照\t进行切割
    rownames=[]
    data=[]
    for line in lines[1:]:
        p=line.strip().split('\t')
    # 获取词条内容
        rownames.append(p[0])
    # 剩余部分，是该行对应的数据
        data.append([float(x) for x in p[1:]])
        ''' 上述函数将数据集中的一行数据读入了一个代表列名的列表，
        并将最左边一列读入了代表行名的列表
        最后又将剩余的所有数据放入了一个大列表，其中每一项对应于数据集中的一行数据。'''
    return rownames,colnames,data

#blognames, words, data=readfile('blogdata.txt')

rownames,colnames,data=readfile('blogdata.txt')

'''
定义紧密度：由于不同博客包含的文章条目不一，用皮尔逊相关系数可以修正这个问题，
    因为它判断的是两组数据与某条直线的拟合程度。'''

创建pearson函数，用于计算两列数组的相关系数

# 以下计算代码接受两个数字列表作为参数，返回这两个列表的相关度分值
from math import sqrt
def pearson(v1, v2):
    # 简单求和
    sum1=sum(v1)
    sum2=sum(v2)

    # 求平方和
    sum1Sq=sum([pow(v,2) for v in v1])
    sum2Sq=sum([pow(v,2) for v in v2])

    # 求乘积之和
    pSum=sum([v1[i]*v2[i] for i in range(len(v1))])

    # 计算r (pearson score)
    num=pSum-(sum1*sum2/len(v1))
    den=sqrt((sum1Sq-pow(sum1,2)/len(v1))*(sum2Sq-pow(sum2,2)/len(v1)))
    if den==0: return 0

    return 1.0-num/den  # 相识度大的两个表点之间，返回的值越小


# 定义一个bicluster类，将每篇博客看成一个对象，以此定义一个类
# 分级聚类算法中的每一个聚类，可以是树中的枝节点，也可以是叶节点。每一个聚类还包含了只是其位置的信息，这一信息可以是
# 来自叶节点的数据，也可以是来自枝节点后合并的数据
class bicluster:
    def __init__(self,vec,left=None,right=None,distance=0.0,id=None):
        self.left=left
        self.right=right
        # 每次聚类都是一堆数，left保存其中一个，right保存其中一个
        self.vec=vec  # 代表该聚类的特征向量，保存两个数据聚类后形成的新的中心
        self.id=id  # 用来标志该节点是叶节点还是内部节点，如果是叶节点，则为正数，如果不是叶节点，则为负数
        self.distance=distance  # 表示合并左子树和右子树时，两个特征向量之间的距离

以下获取博客间的最小距离及对应的关系

'''hcluster算法'''
# 分级聚类算法以一组对应于原始数据项的聚类开始。函数的主循环部分会尝试每一组可能的配对并计算它们的相关度
# 以此来找出最佳配对。新的聚类包含等于两个旧聚类的数值求均值之后的结果。重复这一过程，直到只剩下一个聚类为止。
def hcluster(rows, distance=pearson):
    distances={}  # 每计算一对节点的距离值就会保存在这个里面，这样为了避免重复计算
    currentclustid=-1

    # 最开始的聚类就是数据集中的行
    clust=[bicluster(rows[i],id=i) for i in range(len(rows))]  # clust是一个列表，列表里面是一个又一个bicluster对象
    # 此时 clust=[bicluster(rows[1],id=1), bicluster(rows[2],id=2),...]
    while len(clust)>1:
        ''' while 判断条件：判断条件可以是任何表达式，任何非零，或非空的值均为null
               执行语句...'''
        # python编程中，while语句用于循环执行程序，即在某条件下，循环执行某段程序，以处理需要重复处理的相同任务
        lowestpair=(0,1)  # 先假设lowestpair是0和1号
        # lowestpair 为距离最近的两个ID
        closest=distance(clust[0].vec,clust[1].vec)
        # 先计算第一行第二行的相关度，赋值给closest,此时lowestpair=(0,1)

        # 遍历每个配对，寻找最小距离
        for i in range(len(clust)):
            for j in range(i+1, len(clust)):
                # 用distance来缓存距离的计算值
                # 遍历，使 i不等于j
                if (clust[i].id,clust[j].id) not in distances:
                        distances[(clust[i].id,clust[j].id)]=distance(clust[i].vec,clust[j].vec)

                d=distances[(clust[i].id,clust[j].id)]

                if d<closest:
                    closest=d
                    lowestpair=(i,j)

        # 计算两个聚类的平均值
        mergevec=[
        (clust[lowestpair[0]].vec[i]+clust[lowestpair[1]].vec[i])/2.0
        for i in range(clust[0].vec))]

        # 建立新的聚类
        newcluster=bicluster(mergevec, left=clust[lowestpair[0]],
                             right=clust[lowestpair[1]],
                             distance=closest,id=currentclustid)

        # 不在原始集合中的聚类，其ID为负数
        currentclustid-=1
        del clust[lowestpair[1]]
        del clust[lowestpair[0]]
        clust.append(newcluster)

    return clust[0]  # 当只有一个元素之后，就返回，这个节点相当于根节点

以上代码已经获取了一个各博客的最小距离，下面对如何展示进行处理，递归遍历聚类树，并将其以类似文件系统层级结构的形式打印出来。

# clusters.py

def printclust(clust, labels=None,n=0):
  for i in range(n): print(' ',)
  if clust.id < 0：  # 负数标记代表这是一个分支
    print('-')
  else:
    # 正数标记代表这是一个叶节点
    if labels==None: print(clust.id)
    else: print(labels[clust.id])

    # 现在开始打印右侧分支和左侧分支
    if clust.left!=None:printclust(clust.left,labels=labels,n=n+1)
    if clust.right!=None:printclust(clust.right,labels=labels,n=n+1)

调用上述函数：clusters.printclust(clust, labels=blognames)

但是上述的结果，还是不太明细，下面对最终的层级显示进行优化。

绘制树状图

思路：
1、由于树状图是图形的，并且要被保存为jpg格式，需下载PIL库
2、利用一个函数来返回给定聚类的总体高度。如果聚类是一个叶节点（即没有分支），则其高度为1；否则，高度为所有分支的高度之和。

# 定义一个递归函数
def　getheight(clust):
  # 这是叶节点吗？若是，则高度为1
  if clust.left=None and clust.right==None: return 1
  # 否则，高度每个的高度之和
  return getheight(clust.left)+getheight(clust.right)

# 除此之外，需根节点总体误差。因为线条的会根据每个的进行相应的，所以需总的误差值生成一个缩放因子。一个节点的误差深度等于其下属的每个分支的最大可能误差。
def getdepth(clust):
   # 一个叶节点的距离是0.0
   if clust.left=None and clust.right=None: return 0
   # 一个枝节点的距离等于左右两则分支中距离较大者
   # 加上该枝点自身的距离
   return max(getdepth(clust.left),getdepth(clust.right))+clust.distance

#函数drawdendrogram 为每一个最终生成的聚类创建一个高度为20像素，宽度固定的图片。其中缩放因子是由固定宽度的深度值得到的。
def drawdwndrogram(clust,labels,jpeg='clusters.jpg'):
  # 高度和宽度
  h=getheight(clust)*20
  w=1200
  depth=getdepth(clust)

  # 由于宽度是固定的，因此我们需要对距离值做相应的调整
  scaling=float(w-1500)/depth

  # 创建一个白色背景的图片
  img=Image.new('RGB',(w,h),(255,255,255))
  draw=ImageDraw(img)

  draw.line((0,h/2,10,h/2),fill=(255,0,0))
  # 画第一个节点
  drawnode(draw,clust,10,(h/2),scaling,labels)
  img.save(jpeg,'JPEG')

快捷键

加粗 Ctrl + B
斜体 Ctrl + I
引用 Ctrl + Q
插入链接 Ctrl + L
插入代码 Ctrl + K
插入图片 Ctrl + G
提升标题 Ctrl + H
有序列表 Ctrl + O
无序列表 Ctrl + U
横线 Ctrl + R
撤销 Ctrl + Z
重做 Ctrl + Y

Markdown及扩展

Markdown 是一种轻量级标记语言，它允许人们使用易读易写的纯文本格式编写文档，然后转换成格式丰富的HTML页面。 —— [ 维基百科 ]

使用简单的符号标识不同的标题，将某些文字标记为粗体或者斜体，创建一个链接等，详细语法参考帮助？。

本编辑器支持 Markdown Extra , 　扩展了很多好用的功能。具体请参考Github.

表格

Markdown　Extra　表格语法：

项目	价格
Computer	$1600
Phone	$12
Pipe	$1

定义列表

Markdown　Extra　定义列表语法：项目１项目２

定义 A

定义 B

项目３

定义 C

定义 D

定义D内容

代码块

代码块语法遵循标准markdown代码，例如：

@requires_authorization
def somefunc(param1='', param2=0):
    '''A docstring'''
    if param1 > param2: # interesting
        print 'Greater'
    return (param2 - param1 + 1) or None
class SomeClass:
    pass
>>> message = '''interpreter
... prompt'''

脚注

生成一个脚注1.

数学公式

使用MathJax渲染LaTex 数学公式，详见math.stackexchange.com.

行内公式，数学公式为： $\Gamma(n) = (n-1)!\quad\forall n\in\mathbb N$ 。
块级公式：

x = - b \pm b 2 - 4 a c - - - - - - - \sqrt 2 a

$x = \dfrac{-b \pm \sqrt{b^2 - 4ac}}{2a}$

更多LaTex语法请参考这儿.

UML 图:

或者流程图：

关于 序列图 语法，参考这儿,
关于 流程图 语法，参考这儿.

离线写博客

即使用户在没有网络的情况下，也可以通过本编辑器离线写博客（直接在曾经使用过的浏览器中输入write.blog.csdn.net/mdeditor即可。Markdown编辑器使用浏览器离线存储将内容保存在本地。

用户写博客的过程中，内容实时保存在浏览器缓存中，在用户关闭浏览器或者其它异常情况下，内容不会丢失。用户再次打开浏览器时，会显示上次用户正在编辑的没有发表的内容。

博客发表后，本地缓存将被删除。　

用户可以选择把正在写的博客保存到服务器草稿箱，即使换浏览器或者清除缓存，内容也不会丢失。

注意：虽然浏览器存储大部分时候都比较可靠，但为了您的数据安全，在联网后，请务必及时发表或者保存到服务器草稿箱。

浏览器兼容

目前，本编辑器对Chrome浏览器支持最为完整。建议大家使用较新版本的Chrome。
IE９以下不支持
IE９，１０，１１存在以下问题
1. 不支持离线功能
2. IE9不支持文件导入导出
3. IE10不支持拖拽文件导入

这里是脚注的内容. ↩

lujian_life

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
【集体智慧编程】第三章发现群组

发现群组（数据聚类）对第二章的想法，加以拓展，引入“数据聚类”(data clustering)的概念。本章主要涉及以下内容从各种不同的来源中构造算法所需的数据两种不同的聚类算法有关距离度量（distance metrics）的知识简单的图形可视化代码，用以观察所生产的群组如何将异常复杂的数据集投影到二维空间中本文涉及两个例子： 1、对博客CSS订阅话题，根据涉及的词汇对博客分组；对词
复制链接

扫一扫