Sklearn库中Kmeans聚类技术

Sklearn库中Kmeans聚类技术

###数据介绍：
现有1999年全国31个省份城镇居民家庭平均每人全年消费性支出的八个主
要变量数据，这八个变量分别是：食品、衣着、家庭设备用品及服务、医疗
保健、交通和通讯、娱乐教育文化服务、居住以及杂项商品和服务。利用已
有数据，对31个省份进行聚类。
###聚类目的：
通过聚类了解1999年各省份的消费水平在国内的情况

---

###实现过程：

1、导入相关模块

import numpy as np
from sklearn.cluster import KMeans

2、加载数据并清洗

def loadData(filePath):                #定义函数
    fr = open(filePath,'r+')           #打开文件采用‘r+’的方法
    lines = fr.readlines()             #读取文件的全部内容
    retData = []                       #定义数据列表
    retCityName = []                   #定义城市标签列表
    for line in lines:   
    #对数据进行清洗，去除空格，去除逗号              
        items = line.strip().split(",")
         #将城市标签放入列表，采用append方法
        retCityName.append(items[0])          
        retData.append([float(items[i]) for i in range(1,len(items))]) #将数据放入列表，此处定义一个列表解析式
    return retData,retCityName           #返回数据

3、主函数编写

if __name__ == '__main__':
    data,cityName = loadData('city.txt')     #调用以定义的loadData函数
    km = KMeans(n_clusters = 3)              #进行KMeans聚类，簇数设为3
    print(km)                                #打印聚类函数
    label = km.fit_predict(data)             #fit_predict()：计算簇中心以及为簇分配序号，返回给label标签
    expenses = np.sum(km.cluster_centers_,axis = 1)    #按行来求和
    print(expenses)
#将城市按label分成设定的簇，将每个簇的城市输出，将每个簇的平均花费输出
    CityCluster = [[],[],[]]  #注意此处定义3个空列表为之前簇数设为3                           
    for i in range(len(cityName)):
        CityCluster[label[i]].append(cityName[i])
    for i in range(len(CityCluster)):
        print("Expenses:%.2f" % expenses[i])
        print(CityCluster[i])

###结果如下：
KMeans(algorithm=‘auto’, copy_x=True, init=‘k-means++’, max_iter=300,n_clusters=3, n_init=10, n_jobs=1, precompute_distances=‘auto’,random_state=None, tol=0.0001, verbose=0)

[ 3827.86588235 7754.65666667 5113.54 ]

Expenses:3827.87
[‘河北’, ‘山西’, ‘内蒙古’, ‘辽宁’, ‘吉林’, ‘黑龙江’, ‘安徽’, ‘江西’, ‘山东’, ‘河南’, ‘湖北’, ‘贵州’, ‘陕西’, ‘甘肃’, ‘青海’, ‘宁夏’, ‘新疆’]

Expenses:7754.66
[‘北京’, ‘上海’, ‘广东’]

Expenses:5113.54
[‘天津’, ‘江苏’, ‘浙江’, ‘福建’, ‘湖南’, ‘广西’, ‘海南’, ‘重庆’, ‘四川’, ‘云南’, ‘西藏’]

可看出KMeans将城市按消费水平分为了3类。

###完整代码如下：

# -*- coding: utf-8 -*-
"""
Created on Fri Aug 11 10:04:42 2017

"""

import numpy as np
from sklearn.cluster import KMeans


def loadData(filePath):
    fr = open(filePath,'r+')
    lines = fr.readlines()
    retData = []
    retCityName = []
    for line in lines:
        items = line.strip().split(",")
        retCityName.append(items[0])
        retData.append([float(items[i]) for i in range(1,len(items))])
    return retData,retCityName



if __name__ == '__main__':
    data,cityName = loadData('city.txt')
    km = KMeans(n_clusters = 3)
    print(km)
    label = km.fit_predict(data)
    expenses = np.sum(km.cluster_centers_,axis = 1)
    print(expenses)
    CityCluster = [[],[],[]]
    for i in range(len(cityName)):
        CityCluster[label[i]].append(cityName[i])
    for i in range(len(CityCluster)):
        print("Expenses:%.2f" % expenses[i])
        print(CityCluster[i])