【python机器学习】聚类算法K-means（基于顾客购物订单数据集）

写在前面

k-means是一种最流行的聚类算法，属于无监督学习
k-means可以在数据集分为相似的组（簇），使得组内数据的相似度较高，组间之间的相似度较低。

---

k-means算法步骤：

• 1.从样本中选择k个点作为初始簇中心
• 2.计算每个样本点到各个簇的距离，将样本划分到距离最近的簇中心对应的簇中。
• 3.根据每个簇中的所有样本，重新计算簇中心，并更新。
• 4.重复步骤2与3，直到簇中心的位置变化小于指定的阈值或者达到最大迭代次数为止

---

本文基于顾客购物订单数据集
数据集：数据集网盘下载
提取码：p2v9

读取数据集

import numpy as np
import pandas as pd

data = pd.read_csv(r"dataset/order.csv")
data

数据集处理

我们只关系用户购买的产品 即关心 Food% Fresh% Drinks% Home% Beauty% Health% Baby% Pets% 这几列

# 我们只关系用户购买的产品 即关心 Food% Fresh% Drinks% Home% Beauty% Health% Baby% Pets%这几列
# 所以需要进行数据筛选
t = data.iloc[:,-8:]
t

K-means算法实现

class KMeans:
    """使用python语言实现聚类算法"""
    def __init__(self,k,times):
        """初始化方法
        
        参数：
        k：int
           聚类的个数
        times：int
            迭代次数        
        """
        self.k = k
        self.times = times
        
    def fit(self,X):
        """根据提供的训练数据，对模型进行训练
        
        参数：
        X：类数组类型。形状为：[样本数量，特征数量]
           待训练的样本特征属性
        """
        
        X = np.asarray(X)
        # 设置随机种子，便于产生相同的随机序列。（随机的结果可以重现.）
        np.random.seed(0)
        # 从数组中随机选择k个点，作为初始聚类中心
        self.cluster_centers_ = X[np.random.randint(0,len(X),self.k)]
        self.labels_ = np.zeros(len(X))
        
        for t in range(self.times):
            for index,x in enumerate(X):
                # 计算每个样本与聚类中心的距离
                dis = np.sqrt(np.sum((x - self.cluster_centers_)**2,axis=1))
                # 将最小距离的索引赋值给标签数组。索引的值就是当前所属的簇，范围为0 ~ k-1
                self.labels_[index] = dis.argmin()
            # 更新聚类中心
            for i in range(self.k):
                # 计算每个簇内所有点的均值，用来更新聚类中心。
                self.cluster_centers_[i] = np.mean(X[self.labels_ == i],axis=0)
    
    def predict(self,X):
        """根据参数传递的样本，对样本数据进行预测。（预测样本属于哪一个簇）
        
        
        参数：
        X：类数组类型。形状为：[样本数量，特征数量]
           待预测的样本特征属性
           
        返回值：
        result：数组类型
             预测的结果。每一个X所属的类别
        
        """
        
        X = np.asarray(X)
        result = np.zeros(len(X))
        
        for index,x in enumerate(X):
            # 计算样本到每个聚类中心的距离
            dis = np.sqrt(np.sum((x - self.cluster_centers_)**2,axis=1))
            # 找到距离最近的聚类中心，划分类别。
            result[index] = dis.argmin()
        return result

训练模型

由于数据集比较大，训练比较费事，耐心等待。

kmeans = KMeans(k=3,times=50)
kmeans.fit(t)

查看模型参数

簇中心

# 簇中心
kmeans.cluster_centers_

簇号为0的样本

# 簇为0号的样本
t[kmeans.labels_ == 0]

预测

# 预测 传入三个样本
kmeans.predict([[30,30,40,0,0,0,0,0],[0,0,0,0,0,30,30,40],[30,30,0,0,0,0,20,20]])

可视化

选取 Food% Fresh% 两个特征

# loc按标签进行切边，两端前后都包含
t2 = data.loc[:,"Food%":"Fresh%"]
kmeans = KMeans(k=3,times=50)
kmeans.fit(t2)

import matplotlib as mpl
import matplotlib.pyplot as plt
mpl.rcParams["font.family"] = "SimHei"
mpl.rcParams["axes.unicode_minus"] = False

plt.figure(figsize=(10,8))
# 绘制每个类散点图
plt.scatter(t2[kmeans.labels_ == 0].iloc[:,0],t2[kmeans.labels_ == 0].iloc[:,1],label="类别1")
plt.scatter(t2[kmeans.labels_ == 1].iloc[:,0],t2[kmeans.labels_ == 1].iloc[:,1],label="类别2")
plt.scatter(t2[kmeans.labels_ == 2].iloc[:,0],t2[kmeans.labels_ == 2].iloc[:,1],label="类别3")
# 绘制聚类中心
plt.scatter(kmeans.cluster_centers_[:,0],kmeans.cluster_centers_[:,1],marker="+",s=300)
plt.title("食物&肉类购买的聚类分析")
plt.xlabel("食物")
plt.ylabel("肉类")
plt.legend()
plt.show()

最终效果