python 使用K-Means算法对数据进行聚类

K-Means是聚类算法的一种，以距离来判断数据点间的相似度并对数据进行聚类。前面的文章中我们介绍过K-Means聚类算法的原理及实现。本篇文章使用scikit-learn库对数据进行聚类分析。

准备工作

开始之前先导入要使用的各种库文件，首先是scikit-learn库，然后是数值计算numpy和科学计算pandas库，以及用于绘制图表的matplotlib库文件。

1 2 3 4

from sklearn.cluster import KMeans import numpy as np import pandas as pd import matplotlib.pyplot as plt

读取并查看数据表

读取用于聚类的数据并创建名为loan_data的数据表，用于后续的聚类分析。

1 2	#读取用于聚类的数据，并创建数据表 loan_data = pd.DataFrame(pd.read_csv( 'loan_data.csv' ,header = 0 ))

1 2	#查看数据表 loan_data.head()

1 2 3 4 5

#查看表中的各列的名称 loan_data.columns Index([ 'member_id' , 'loan_amnt' , 'term' , 'grade' , 'emp_length' , 'annual_inc' , 'issue_d' , 'loan_status' , 'total_pymnt_inv' , 'total_rec_int' ], dtype = 'object' )

我们对数据表中的贷款金额和用户年收入进行聚类，这里先绘制两个维度的散点图，观察分布情况并与后续的聚类结果进行对比。

1 2 3 4 5 6 7 8

#绘制散点图 plt.rc( 'font' , family = 'STXihei' , size = 10 ) plt.scatter(loan_data[ 'loan_amnt' ],loan_data[ 'annual_inc' ], 50 ,color = 'blue' ,marker = '+' ,linewidth = 2 ,alpha = 0.8 ) plt.xlabel( '贷款金额' ) plt.ylabel( '年收入' ) plt.xlim( 0 , 25000 ) plt.grid(color = '#95a5a6' ,linestyle = '--' , linewidth = 1 ,axis = 'both' ,alpha = 0.4 ) plt.show()

K-Means聚类

我们数据表中的贷款金额和用户年收入两个维度进行聚类，这里先对数据进行预处理，然后设置类别数量。

1 2 3 4 5 6

#设置要进行聚类的字段 loan = np.array(loan_data[[ 'loan_amnt' , 'annual_inc' ]]) #设置类别为3 clf = KMeans(n_clusters = 3 ) #将数据代入到聚类模型中 clf = clf.fit(loan)

聚类结果将数据分析三类，第一类的均值是贷款金额8754，年收入88853。第二类的均值是贷款金额4596，年收入22406。第三类的均值是贷款金额9168，年收入46870。换个角度来看，第一个类的用户属于贷款金额高，年收入也较高的一群人。第二个类别的用户属于贷款金额较低，年收入也较低的一群人。第三个类别的用户则属于贷款金额高，年收入居中的一群人。

1 2 3 4 5

#查看聚类结果 clf.cluster_centers_ array([[ 8754.54545455 , 88853.19909091 ], [ 4596.875 , 22406.5 ], [ 9168.18181818 , 46870.72727273 ]])

假设这时我们又有了新的用户数据输入，在原有聚类模型中，新数据贷款金额7000，年收入30000，被分为了第三个类别，贷款金额高，年收入居中的类别。

1 2 3

#测试新数据聚类结果 clf.predict([ '7000' , '30000' ]) array([ 2 ])

将K-Means模型对原始数据聚类的结果标记在原始数据表中。

1 2	#在原始数据表中增加聚类结果标签 loan_data[ 'label' ] = clf.labels_

查看标记聚类结果的数据表，其中label字段为聚类结果。

1 2	#查看数据表 loan_data.head()

为了更加清晰和直观的查看原始数据的聚类结果，我们将聚类结果绘制成散点图，以三种不同颜色标记不同的类别的数据点。

1 2 3 4

#提取不同类别的数据 loan_data0 = loan_data.loc[loan_data[ "label" ] = = 0 ] loan_data1 = loan_data.loc[loan_data[ "label" ] = = 1 ] loan_data2 = loan_data.loc[loan_data[ "label" ] = = 2 ]

1 2 3 4 5 6 7 8 9 10

#绘制聚类结果的散点图 plt.rc( 'font' , family = 'STXihei' , size = 10 ) plt.scatter(loan_data0[ 'loan_amnt' ],loan_data0[ 'annual_inc' ], 50 ,color = '#99CC01' ,marker = '+' ,linewidth = 2 ,alpha = 0.8 ) plt.scatter(loan_data1[ 'loan_amnt' ],loan_data1[ 'annual_inc' ], 50 ,color = '#FE0000' ,marker = '+' ,linewidth = 2 ,alpha = 0.8 ) plt.scatter(loan_data2[ 'loan_amnt' ],loan_data2[ 'annual_inc' ], 50 ,color = '#0000FE' ,marker = '+' ,linewidth = 2 ,alpha = 0.8 ) plt.xlabel( '贷款金额' ) plt.ylabel( '年收入' ) plt.xlim( 0 , 25000 ) plt.grid(color = '#95a5a6' ,linestyle = '--' , linewidth = 1 ,axis = 'both' ,alpha = 0.4 ) plt.show()

绿色表示第一个类别的用户属于贷款金额居中，年收入较高的一群人。红色第二个类别的用户属于贷款金额较低，年收入也较低的一群人。蓝色表示第三个类别的用户则属于贷款金额高，年收入居中的一群人。

—【所有文章及图片版权归 蓝鲸（王彦平）所有。欢迎转载，但请注明转自“蓝鲸网站分析博客”。】—

Read more: http://bluewhale.cc/2016-12-02/clustering-analysis-using-k-means-algorithm.html#ixzz5G1Zt8L9d