GMM（高斯混合模型）与KMean聚类

最大期望算法EM

EM (Expectation Maximization)算法是一种求参数的极大似然估计方法，可以广泛地应用于处理缺损数据、截尾数据等带有噪声的不完整数据。

• 最大期望算法经过两个步骤交替进行计算：
  – 第一步是计算期望（E），利用对隐藏变量的现有估计值，计算其最大似然估计值；
  – 第二步是最大化（M），最大化在E步上求得的最大似然值来计算参数的值。M步上找到的参数估计值被用于下一个E步计算中，这个过程不断交替进行。

高斯混合模型GMM

GMM(Gaussian Mixture Model)是指该算法由多个高斯模型线性叠加混合而成, 每个高斯模型称之为component。

类似k-means方法，求解方式跟EM一样。

import pandas as pd
data = pd.read_csv('Fremont.csv', index_col='Date', parse_dates=True)
data.head()

import matplotlib.pyplot as plt
%matplotlib inline

data.plot()
data.resample('w').sum().plot() #数据重采样，按周进行计算
data.resample('D').sum().rolling(365).sum().plot()

data.groupby(data.index.time).mean().plot()
plt.xticks(rotation=45)

• pivot表

data.columns = ['West','East']
data['Total'] = data['West'] + data['East']
pivoted = data.pivot_table('Total', index=da