python降维可视化 自编码_python代码实现TSNE降维数据可视化教程

TSNE降维

降维就是用2维或3维表示多维数据(彼此具有相关性的多个特征数据)的技术，利用降维算法，可以显式地表现数据。(t-SNE)t分布随机邻域嵌入 是一种用于探索高维数据的非线性降维算法。它将多维数据映射到适合于人类观察的两个或多个维度。

python代码

km.py

#k_mean算法

import pandas as pd

import csv

import pandas as pd

import numpy as np

#参数初始化

inputfile = 'x.xlsx' #销量及其他属性数据

outputfile = 'x_1.xlsx' #保存结果的文件名

k = 2 #聚类的类别

iteration = 3 #聚类最大循环次数

data = pd.read_excel(inputfile, index_col = 'Id') #读取数据

data_zs = 1.0*(data - data.mean())/data.std() #数据标准化，std()表示求总体样本方差(除以n-1),numpy中std()是除以n

print('data_zs')

from sklearn.cluster import KMeans

model = KMeans(n_clusters = k, max_iter = iteration) #分为k类

#model = KMeans(n_clusters = k, n_jobs = 4, max_iter = iteration) #分为k类，并发数4

print('data_zs')

model.fit(data_zs) #开始聚类

#简单打印结果

r1 = pd.Series(model.labels_).value_counts() #统计各个类别的数目

r2 = pd.DataFrame(model.cluster_centers_) #找出聚类中心

r = pd.concat([r2, r1], axis = 1) #横向连接(0是纵向)，得到聚类中心对应的类别下的数目

print('data_zs')

print(r)

r.columns = list(data.columns) + [u'类别数目'] #重命名表头

print(r)

#详细输出原始数据及其类别

r = pd.concat([data, pd.Series(model.labels_, index = data.index)], axis = 1) #详细输出每个样本对应的类别

r.columns = list(data.columns) + [u'聚类类别'] #重命名表头

r.to_excel(outputfile) #保存结果

TSNE.py

# coding=utf-8

from sklearn.manifold import TSNE

from pandas.core.frame import DataFrame

import pandas as pd

import numpy as np

import km as k

#用TSNE进行数据降维并展示聚类结果

tsne = TSNE()

tsne.fit_transform(k.data_zs) #进行数据降维,并返回结果

tsne = pd.DataFrame(tsne.embedding_, index = k.data_zs.index) #转换数据格式

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签

plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号

#不同类别用不同颜色和样式绘图

d = tsne[k.r[u'聚类类别']== 0] #找出聚类类别为0的数据对应的降维结果

plt.plot(d[0], d[1], 'r.')

d = tsne[k.r[u'聚类类别'] == 1]

plt.plot(d[0], d[1], 'go')

#d = tsne[k.r[u'聚类类别'] == 2]

#plt.plot(d[0], d[1], 'b*')

plt.savefig("data.png")

plt.show()

数据格式

数据需要用xlsx文件存储，表头名为Id。

执行 TSNE.py即可获得可视化图片。

以上这篇python代码实现TSNE降维数据可视化教程就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持python博客。