机器学习之K-means聚类分析NBA球员案例

机器学习之K-means聚类分析NBA球员案例

本次案例利用k-means算法分析NBA球员球队实力，具体采用2种方式实现案例，一种为自己实现，一种为调用sklearn库，数据来源nba_2013.csv。

k-means的计算理解过程:
1.从集合D中随机选取k个元素，作为k个簇的各自的中心;
2.分别计算剩下的元素到k个簇中心的相异度,将这些元素分别划归到相异度最低的簇;
3.根据聚类结果，重新计算k个簇各自的中心，计算方法是取簇中所有的元素各自维度的算术平均数；
4.将D中全部元素按照新的中心重新聚类；
5.重复第4步，直到聚类结果不再变化；
6.将结果输出。

2.数据处理及分析

2.1.数据导入
导入数据集
Player-球员名称
Age–年龄
Bref_team_id–战队名
程序编写：

数据集内容输出截图：

2.2取出后卫的数据
程序编写：

结果截图：

2.3定义失误次数及助攻次数
程序编写：

结果图展示：

使用K-means聚类时，
第一步：当k=5时，他会随机选取5个点作为中心点，然后计算所有点到这5个点的距离
第二步：将每一个点划到不同的簇
第三步：将每一个簇中的点计算横纵坐标的均值，计算出新的中心点(可以是不是实际的点)
第四步：重新计算每一个点到中心点的距离，重新划分属于不同的簇
第五步：不断的更新中心点，不断的重新划分簇，直到再怎么更新中心点，簇里的元素都不再发生变化了

2.4 随机选出5个点并选出中心点
程序编写：

2.5 编写程序输出初始化后的中心点

点位图

2.6将中心点的信息保存再字典里：

结果截图：

2.7计算距离 程序编写

输出距离值

2.8对所有数据选择自己的中心点,进行分类

2.9对每行的数据进行比较，得出这一行数据最近的中心点，属于这一簇

2.10将结果显示出来

将分类的数据显示出来

2.11重新计算中心点

2.12重新计算中心点，对所有点进行重新划分中心点，并将分类的数据显示出来

3、利用库函数实现
导入数据：
from sklearn.cluster import KMeans
调用sklearn的库函数，只需指定需要分类的个数

结果点位图