层次聚类pythonscipy_【转】使用scipy进行层次聚类和k-means聚类

scipy cluster库简介

scipy.cluster是scipy下的一个做聚类的package, 共包含了两类聚类方法:

1. 矢量量化(scipy.cluster.vq):支持vector quantization 和 k-means 聚类方法

2. 层次聚类(scipy.cluster.hierarchy):支持hierarchical clustering 和 agglomerative clustering(凝聚聚类)

聚类方法实现:k-means和hierarchical clustering.

###cluster.py#导入相应的包

importscipyimportscipy.cluster.hierarchy as schfrom scipy.cluster.vq importvq,kmeans,whitenimportnumpy as npimportmatplotlib.pylab as plt#生成待聚类的数据点,这里生成了20个点,每个点4维:

points=scipy.randn(20,4)#1. 层次聚类#生成点与点之间的距离矩阵,这里用的欧氏距离:

disMat = sch.distance.pdist(points,'euclidean')#进行层次聚类:

Z=sch.linkage(disMat,method='average')#将层级聚类结果以树状图表示出来并保存为plot_dendrogram.png

P=sch.dendrogram(Z)

plt.savefig('plot_dendrogram.png')#根据linkage matrix Z得到聚类结果:

cluster= sch.fcluster(Z, t=1, 'inconsistent')print "Original cluster by hierarchy clustering:\n",cluster#2. k-means聚类#将原始数据做归一化处理

data=whiten(points)#使用kmeans函数进行聚类,输入第一维为数据,第二维为聚类个数k.#有些时候我们可能不知道最终究竟聚成多少类,一个办法是用层次聚类的结果进行初始化.当然也可以直接输入某个数值.#k-means最后输出的结果其实是两维的,第一维是聚类中心,第二维是损失distortion,我们在这里只取第一维,所以最后有个[0]

centroid=kmeans(data,max(cluster))[0]#使用vq函数根据聚类中心对所有数据进行分类,vq的输出也是两维的,[0]表示的是所有数据的label

label=vq(data,centroid)[0]print "Final clustering by k-means:\n",label

在Terminal中输入:python cluster.py

输出:

Original cluster by hierarchy clustering:

[4 3 3 1 3 3 2 3 2 3 2 3 3 2 3 1 3 3 2 2]

Final clustering by k-means:

[1 2 1 3 1 2 0 2 0 0 0 2 1 0 1 3 2 2 0 0]

数值是随机标的,不用看,只需要关注同类的是哪些.可以看出层次聚类的结果和k-means还是有区别的.

补充:一些函数的用法

1.linkage(y, method=’single’, metric=’euclidean’)

共包含3个参数:

y是距离矩阵,由pdist得到;method是指计算类间距离的方法,比较常用的有3种:

(1)single:最近邻,把类与类间距离最近的作为类间距

(2)complete:最远邻,把类与类间距离最远的作为类间距

(3)average:平均距离,类与类间所有pairs距离的平均

2.fcluster(Z, t, criterion=’inconsistent’, depth=2, R=None, monocrit=None)

第一个参数Z是linkage得到的矩阵,记录了层次聚类的层次信息; t是一个聚类的阈值-“The threshold to apply when forming flat clusters”,在实际中,感觉这个阈值的选取还是蛮重要的.另外,scipy提供了多种实施阈值的方法(criterion):

inconsistent : If a cluster node and all its descendants have an inconsistent value less than or equal to t then all its leaf descendants belong to the same flat cluster. When no non-singleton cluster meets this criterion, every node is assigned to its own cluster. (Default)

distance : Forms flat clusters so that the original observations in each flat cluster have no greater a cophenetic distance than t.

……

3.kmeans(obs, k_or_guess, iter=20, thresh=1e-05, check_finite=True)

输入obs是数据矩阵,行代表数据数目,列代表特征维度; k_or_guess表示聚类数目;iter表示循环次数,最终返回损失最小的那一次的聚类中心;

输出有两个,第一个是聚类中心(codebook),第二个是损失distortion,即聚类后各数据点到其聚类中心的距离的加和.

4.vq(obs, code_book, check_finite=True)

根据聚类中心将所有数据进行分类.obs为数据,code_book则是kmeans产生的聚类中心.

输出同样有两个:第一个是各个数据属于哪一类的label,第二个和kmeans的第二个输出是一样的,都是distortion