集体智慧编程读书笔记 三 cont

继续来看第三章， 下面是用图形显示树

首先下载 PIL, 这个库目前不支持 python 3, 下面地址上有高手改过的版本可以用：

http://www.lfd.uci.edu/~gohlke/pythonlibs/#pil

显示画图不是本书重点， 就不解释了， 就是教你怎么用PIL画图

列聚类

刚才的聚类我们发现了博客之间的相关度， 有什么样博客是类似的， 如果我们对转置后数据进行聚类呢？就是对列， 也是博客出现的单词进行聚类， 这样显示的结果就是单词的关联度， 同时反映博客的类型。

显示要把原来的数据转置， 这个很简单

def rotamatrix(data):
    rotadata = []
    for i in range(len(data[0])):
        newrow = [data[j][i] for j in range(len(data))]
        rotadata.append(newrow)
    return rotadata

结果为：

需要注意的是这个时候 数据项是单词， 变量是博客， 单词多很多， 在聚类是无意义的结果也很多， 博客聚类更有意义

K 均值聚类

分级聚类我们看到， 算法复杂度太高， 计算太耗时，数据集大会很慢， 就像刚才我们进行单词聚类， 时间就很长，还有一个问题 树形结构不会真正将数据拆分成不同组（需要额外保存下这种关系）

K均值聚类的做法， 先预设K个目标点， 然后将数据集分类， 分配到这k个点上， 分配原则是离谁近就放到谁附近，  分完一次后， 调整一下， 计算k个聚类在一起的群的中心点， 利用新得出的中心点再次聚类，直到某一次， 聚类过程中结果不发生变化就停止，算法实现如下

def kcluster(rows, distance=pearson, k=4):
    ranges = [(min([row[i] for row in rows]), max([row[i] for row in rows]))
               for i in range(len(rows[0]))]
    clusters = [ [random.random * (ranges[i][1] - ranges[i][0]) + ranges[i][0]for i in range(len(rows[0]))]for j in range(k)]
    lastMatches = None
    for t in range(100):
        print('Iteration %d' % t)
        bestmatches = [[] for i in range(k)]

        for j in range(len(rows)):
            row = rows[j]
            bestmatch = 0
            for i in range(k):
                d = distance(clusters[i], row)
                if d < distance(clusters[bestmatch], row): bestmatch = i
            bestmatches[bestmatch].append(j)
        if bestmatches == lastMatches: break
        lastMatches = bestmatches

        for i in range(k):
            avgs = [0.0] * len(rows[0])
            length = len(bestmatches[i])

            if length > 0:
                for rowid in bestmatches[i]:
                    for m in range (len(rows[rowid])):
                        avgs[m] += rows[rowid][m]
                for j in range(len(avgs)):
                    avgs[j] /= length
                clusters[i] = avgs
    return bestmatches