K-means聚类
导语:
这一章主要参考《集体编程智慧》的第三张–发现群组。看了三章感觉《集体编程智慧》这本书讲的还可以,但是说实话他的代码不是特别科学,例如这一章使用的数据源并不太适合新手使用来学习这个算法,所以主要参考了算法的原理,代码的话借鉴了别人博客里的数据,然后实现了一下。
K-means原理简介:
算法的基础是最小化误差平方和准则,代价函数为:
J(c,μ)=∑1n∥x(i)−μc(i)∥2
J
(
c
,
μ
)
=
∑
1
n
∥
x
(
i
)
−
μ
c
(
i
)
∥
2
其中 μc(i) μ c ( i ) 为第i类的中心点,显然这个公式是得到的是一个全局的误差最小结果。
算法原理:
1. 首先根据在样本集大小范围内随机产生k个聚类中心点
2. 遍历数据集,计算每一个数据样本距离中心点的欧式距离,将其划分到最近的中心点所代表的聚类类别
3. 分别遍历K个聚类内的数据样本,将类别内的所有样本的平均值作为该类的新中心点,更新中心点
4. 不断迭代以上三个步骤,直到每一个数据样本所属类别不再有变化
举例:
如下所示数据data.txt:
1.658985 4.285136
-3.453687 3.424321
4.838138 -1.151539
-5.379713 -3.362104
0.972564 2.924086
-3.567919 1.531611
0.450614 -3.302219
-3.487105 -1.724432
2.668759 1.594842
-3.156485 3.191137
3.165506 -3.999838
-2.786837 -3.099354
4.208187 2.984927
-2.123337 2.943366
0.704199 -0.479481
-0.392370 -3.963704
2.831667 1.574018
-0.790153 3.343144
2.943496 -3.357075
-3.195883 -2.283926
2.336445 2.875106
-1.786345 2.554248
2.190101 -1.906020
-3.403367 -2.778288
1.778124 3.880832
-1.688346 2.230267
2.592976 -2.054368
-4.007257 -3.207066
2.257734 3.387564
-2.679011 0.785119
0.939512 -4.023563
-3.674424 -2.261084
2.046259 2.735279
-3.189470 1.780269
4.372646 -0.822248
-2.579316 -3.497576
1.889034 5.190400
-0.798747 2.185588
2.836520 -2.658556
-3.837877 -3.253815
2.096701 3.886007
-2.709034 2.923887
3.367037 -3.184789
-2.121479 -4.232586
2.329546 3.179764
-3.284816 3.273099
3.091414 -3.815232
-3.762093 -2.432191
3.542056 2.778832
-1.736822 4.241041
2.127073 -2.983680
-4.323818 -3.938116
3.792121 5.135768
-4.786473 3.358547
2.624081 -3.260715
-4.009299 -2.978115
2.493525 1.963710
-2.513661 2.642162
1.864375 -3.176309
-3.171184 -3.572452
2.894220 2.489128
-2.562539 2.884438
3.491078 -3.947487
-2.565729 -2.012114
3.332948 3.983102
-1.616805 3.573188
2.280615 -2.559444
-2.651229 -3.103198
2.321395 3.154987
-1.685703 2.939697
3.031012 -3.620252
-4.599622 -2.185829
4.196223 1.126677
-2.133863 3.093686
4.668892 -2.562705
-2.793241 -2.149706
2.884105 3.043438
-2.967647 2.848696
4.479332 -1.764772
-4.905566 -2.911070
数据分布如下图:
K-means聚类代码如下:
import json
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import matplotlib.pyplot as plt
import re
import math
def get_data(filename): #读取数据
f = open(filename)
data = DataFrame(columns=['x','y']) #构造DataFrame存放数据,列名为x与y
line = f.readline()
p = re.compile(r'\s+') #由于数据由若干个空格分隔,构造正则表达式分隔
while line:
linedata = p.split(line)
data.set_value(len(data),['x','y'],[float(linedata[0]),float(linedata[1])]) #数据存入DataFrame
line = f.readline()
return data
def get_distance(p1,p2): #计算两个点之间的欧氏距离
distance = math.sqrt(sum([pow(p1[i]-p2[i],2) for i in range(len(p1))]))
return distance
def initCenterPoint(dataset,k): #初始化聚类中心点
numSample,dim = data.shape
centerPoint = np.zeros((k,dim))
for i in range(k): #生成的聚类中心点坐标范围在样本范围之内
centerPoint[i][0] = np.random.uniform(min(dataset['x']),max(dataset['x']))
centerPoint[i][1] = np.random.uniform(min(dataset['y']),max(dataset['y']))
return centerPoint
def kmeans(dataset,k): #K均值聚类
numSample = dataset.shape[0]
clustAssment = np.zeros((numSample,2)) #样本类别集合,存放样本所属类别标签和到中心点的距离
clustChanged = True #结束循环标志位
centerPoint = initCenterPoint(dataset,k) #初始化聚类中心点
while clustChanged:
clustChanged = False
for i in range(numSample): #遍历所有样本,更新样本的类别标签与到中心点距离
minDist = 1000 #初始化最小距离
minindex = 0 #初始化所属样本标签
p1 = dataset.ix[i] #当前样本点
for j in range(k):
p2 = centerPoint[j] #当前聚类中心点
dist = get_distance(p1,p2) #计算距离
if dist<minDist: #取最小距离的中心点来更新当前样本的标签与距离
minDist = dist
minindex = j
if clustAssment[i][0]!= minindex: #样本类别集合有更新,则继续迭代
clustChanged = True
clustAssment[i] = [minindex,minDist] #更新样本点类别和距离
for i in range(k): #更新聚类中心点
xnum = 0
ynum = 0
pnum = 0
for j in range(numSample):
if clustAssment[j][0]==i:
pnum += 1
xnum += dataset.ix[j,'x']
ynum += dataset.ix[j,'y']
centerPoint[i] = [xnum/pnum,ynum/pnum] #计算均值更新
print('Cluster Complete')
return centerPoint,clustAssment
def showCluster(dataset,k,centerPoint,clusterAssment): #画图显示
numSample,dim = dataset.shape
mark = ['or','ob','og','ok']
for i in range(numSample):
markIndex = int(clustAssment[i][0])
plt.plot(dataset.ix[i,'x'],dataset.ix[i,'y'],mark[markIndex])
mark = ['Dr', 'Db', 'Dg', 'Dk', '^b', '+b', 'sb', 'db', '<b', 'pb']
for i in range(k):
plt.plot(centerPoint[i][0],centerPoint[i][1],mark[i],markersize=12)
plt.show()
if __name__ == "__main__":
data = get_data('data.txt')
centerPoint,clustAssment = kmeans(data,4)
showCluster(data,4,centerPoint,clustAssment)
结果如下图所示: