《数据分析与挖掘 第十四章 基于基站定位数据的商圈分析》

基于基站定位数据的商圈分析

数据抽取
以2014-1-1开始到2014-6-30结束时间作为分析窗口
数据分析
以55555这个人为例，判断其活动位置，基站号改变，说明其进入下一个区域，分析出2014-1-1下午零时53分进入36902基站，直到二时13分才进入36907基站，说明他在36902基站呆了80分钟
数据预处理
首先，去掉无用的属性，例如什么信令类型，LOC编号这些的，只留下日期，时间，基站号，EMASI号这四个属性
清楚地分出哪些人，在什么时间段，在那些基站，然后计算出：每个基站圈的 ，工作日上班时间人均停留时间，凌晨人均停留时间，周末人均停留时间，日军停留时间
得到数据：

因为这里我们要将商圈分类，也就是把这些基站分类出来，看哪些是有共同的以上四个属性的，比如说：哪些基站的位置是属于人均流量很多的，就值得关注，哪些基站的位置是属于周末人均停留时间很长的，那么这样的地方可能就是娱乐活动的地方，哪些基站的位置是属于工作日人均停留时间最长的，那么这里很可能就是办公楼什么的

我们采用聚类算法分类

聚类算法之前，为了使各个属性的差异值不受数量级影响，需要对数据进行标准化：

import pandas as pd

filename = 'D:\\python\\workspace\\shujufenxi\\chapter14\\chapter14\\demo\\data\\business_circle.xls' #原始数据文件
standardizedfile = 'D:\\python\\workspace\\shujufenxi\\chapter14\\chapter14\\demo\\data\\standardized.xls' #标准化后数据保存路径

data = pd.read_excel(filename,index_col = u'基站编号') #读取数据

data = (data - data.min())/(data.max() - data.min()) #离差标准化

这里我们先将基站编号拿出来当index，不然后面的步骤会把基站编号也标准化成小数：

把基站编号拿出来之后标准化：

然后

data = data.reset_index()

ata.to_excel(standardizedfile, index = False) #保存结果，保存的表格里不出现前面的index从0开始的那串数字

这样达到了，基站编号不做标准化的目的

模型构建
首先我们要知道聚类算法，我们应该分为多少个类，k等于多少最好，这里用谱系聚类图分析看分多少个类：

#谱系聚类图
import pandas as pd

#参数初始化
standardizedfile = 'D:\\python\\workspace\\shujufenxi\\chapter14\\chapter14\\demo\\data\\standardized.xls' #标准化后的数据文件
data = pd.read_excel(standardizedfile, index_col = u'基站编号') #读取数据

import matplotlib.pyplot as plt
from scipy.cluster.hierarchy import linkage,dendrogram
#这里使用scipy的层次聚类函数

Z = linkage(data, method = 'ward', metric = 'euclidean') #谱系聚类图
P = dendrogram(Z, 0) #画谱系聚类图
plt.show()

可以看出来，最好把聚类分成三个类，即k = 3
接下来进行聚类算法：

#层次聚类算法
import pandas as pd

#参数初始化
standardizedfile = 'D:\\python\\workspace\\shujufenxi\\chapter14\\chapter14\\demo\\data\\standardized.xls' #标准化后的数据文件
k = 3 #聚类数
data = pd.read_excel(standardizedfile, index_col = u'基站编号') #读取数据

from sklearn.cluster import AgglomerativeClustering #导入sklearn的层次聚类函数
model = AgglomerativeClustering(n_clusters = k, linkage = 'ward')
model.fit(data) #训练模型

这里由于model.labels_是一个array，我们想把他变成一个Series，且索引号对应data的索引号，才能把labels和data，以axis = 1的方式拼接起来
model.labels_：
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], dtype=int64)

pd.Series(model.labels_, index = data.index)：
基站编号
36902 1
36903 1
36904 1
36905 1
36906 1
36907 1
36908 1
36909 1
36910 1
36911 1
36912 1
35138 1
37337 1
36181 1
38231 1
38015 1
38953 1
35390 1
36453 1
36855 1
35924 1
35988 1
37537 1
38885 1
36797 1
35976 1
37377 1
37160 1
38717 1
38608 1
…
36926 0
…

#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

绘制每一类数据的各项属性值所对应值的折线图：

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

style = ['ro-', 'go-', 'bo-']
xlabels = [u'工作日人均停留时间', u'凌晨人均停留时间', u'周末人均停留时间', u'日均人流量']
pic_output = 'D:/python/workspace/shujufenxi/chapter14/chapter14/tmp/type_' #聚类图文件名前缀

for i in range(k): #逐一作图，作出不同样式
  plt.figure()
  tmp = r[r[u'聚类类别'] == i].iloc[:,:4] #提取每一类
  for j in range(len(tmp)):
    plt.plot(range(1, 5), tmp.iloc[j], style[i])#这里的range(1,5)等同于list(range(1,5))，都是值1,2，3,4

到这一步可以画出三章聚类折线图：



然后我们对图片进行注释和调整：

  plt.xticks(range(1, 5), xlabels, rotation = 20) #坐标标签,给1,2,3,4对应协商属性名字
  plt.title(u'商圈类别%s' %(i+1)) #加上title，加上类别名称，我们计数习惯从1开始
  plt.subplots_adjust(bottom=0.15) #调整底部
  plt.savefig(u'%s%s.png' %(pic_output, i+1)) #保存图片

模型分析
商圈1：日均流量大，工作日上班时间人均停留时间，凌晨人均停留时间和周末时间人均停留时间相对较短，可判断该区域为商业区
商圈2：周末人均停留时间长，凌晨人均停留时间长，工作日上班时间人均停留时间短，日均人流量较少，可判断为家庭住宅区
商区3：工作人均停留时间长，一看就是工作区

商区2,3人员流动主要在上下班，吃饭时间，不适合运营商的促销活动