Kmeans聚类

一、特征预处理

1、处理缺失、异常值

缺失值直接补0

异常值可以设置一个阈值，比如小于数据的1分位数，或者大于95分位数，就把数据进行四舍五入，用相应的分位数赋值，这样可以减少异常值对于聚类的影响。因为聚类一般计算的是距离，有异常值影响会比较大

2、最大最小归一化，消除特征量纲影响，或者标准化也可以

from sklearn.preprocessing import MinMaxScaler
min_max_scaler = MinMaxScaler()
feature_minmax = min_max_scaler.fit_transform(np.array(feature))

3、如果特征维度较多，存在共线性，可以用pca进行降维

def get_pca(data_array):
  tmp_std = StandardScaler().fit_transform(data_array)
  pca = PCA(n_components=0.9)
  tmp_principalComponents = pca.fit_transform(tmp_std)
  min_max_scaler = MinMaxScaler()
  tmp_principalComponents_1=min_max_scaler.fit_transform(tmp_principalComponents)
  print('pca保留的维度：', tmp_principalComponents_1.shape)
  return tmp_principalComponents_1

#检验特征的相关性
plt.rcParams['figure.figsize'] = (20, 15) 
sns.heatmap(pd.DataFrame(data[:,0:50]).corr(), annot = True, linewidths=.5, cmap="YlGnBu") 
plt.title('Correlation between features', fontsize = 30)
plt.tight_layout()

二、聚类

比较重要的是选择合适的类别K

#聚类
from sklearn.cluster import MiniBatchKMeans
ks = range(1, 10)
inertias = []
for k in ks:
    # Create a KMeans instance with k clusters: model
    #model = MiniBatchKMeans(n_clusters=k, init = 'k-means++', random_state = 123, batch_size = 512, max_iter=200)
    model = KMeans(n_clusters=k, init = 'k-means++', random_state = 123)
    # Fit model to samples
    model.fit(data)
    # Append the inertia to the list of inertias
    inertias.append(model.inertia_)
plt.plot(ks, inertias, '-o', color='black')
plt.xlabel('number of clusters, k')
plt.ylabel('inertia')
plt.xticks(ks)
plt.show()

这里的肘部K值仅供参考，聚类的类别数需要结合业务需要来定

三、聚类画图

通过图像可以看出各个类别之间的关系，以及选择的K值是否合适

#先用tsne降维
#看看聚类的结果分布情况，每个类随机抽1000个用户画图
import random
def get_tsne_data(data_df, kmean_num, data_feature):
  sample_num = 1000
  sample_label = []
  for i in range(kmean_num):
    if len(data_df[data_df['label']==i])>1000:
      sample_label.append(random.sample(data_df[data_df['label']==i].index.tolist(),sample_num))
    else:
      sample_label.append(data_df[data_df['label']==i].index.tolist())
  #展平
  sample_label_list = list(chain.from_iterable(sample_label))
  #tsne降维
  tsne=TSNE(n_components = 2).fit_transform(data_feature[sample_label_list])  #进行数据降维,降成两维
  tmp_data_concat = pd.DataFrame(tsne, columns=['l1','l2'])
  tmp_data_concat['labels'] = data_df['label'][sample_label_list].tolist()
  return tmp_data_concat
#画图
def get_picture_kmeans(tmp_tsne_data, filename):
  %matplotlib inline
  #set font size of labels on matplotlib plots
  plt.rc('font', size=16)
  #set style of plots
  sns.set_style('white')
  #create a new figure
  plt.figure(figsize=(8,8))
  maker=['o','v','^','s','p','*','<','>','D','d','h','H']#设置散点形状
  colors = ['black','tomato','cyan','blue', 'lime', 'r', 'violet','m','peru','olivedrab','hotpink']#设置散点颜色
  #loop through labels and plot each cluster
  for i, label in enumerate(tmp_tsne_data['labels']):
      #add data points 
      #print(label)
      plt.scatter(x=tmp_tsne_data.loc[tmp_tsne_data['labels']==label,'l1'], y=tmp_tsne_data.loc[tmp_tsne_data['labels']==label,'l2'],color=colors[label], s=1)
      #add label
      plt.annotate(label, 
                   tmp_tsne_data.loc[tmp_tsne_data['labels']==label,('l1','l2')].mean(),
                   horizontalalignment='center',
                   verticalalignment='center',
                   size=20, weight='bold',color=colors[-label]) 
  plt.savefig(filename)

def get_picture_kmeans_label(tmp_tsne_data, filename):
  #plot data with seaborn (don't add a legend yet)
  plt.figure(figsize=(20,20))
  facet = sns.lmplot(data=tmp_tsne_data, x='l1', y='l2', hue='labels', fit_reg=False, legend=False)
  #add a legend
  leg = facet.ax.legend(bbox_to_anchor=[1, 0.75],
                           title="label", fancybox=True)
  #change colors of labels
  colors = ['black','tomato','cyan','blue', 'lime', 'r', 'violet','m','peru','olivedrab','hotpink']#设置散点颜色
  for i, text in enumerate(leg.get_texts()):
    plt.setp(text, color = colors[i])
  plt.savefig(filename)

四、聚类结果刻画

可以选择跟业务强相关的指标，对用户的聚类结果进行刻画，看看每个用户群有哪些突出的特点。类别型指标可以计算TGI的值，连续型可以计算指标的均值、分位数等，比较用户群之间的差异。