K-means聚类案例分析
1.首先进行一系列的数据筛选以及标准化处理
筛选出性别,年龄,受教育程度,保险类型,家庭年收入,抗击新冠疫情对基层卫生机构满意度这六个维度的数据进行聚类分析
import numpy as np
import pandas as pd
#导入数据及提取所要进行分析的数据
excel_path = r'C:/Users/15643/Desktop/data_row.xls'
df = pd.DataFrame(pd.read_excel(excel_path))
df_new =df.iloc[:,[2,4,5,6,7,28]]
df_new.columns=['gender','age','education','insurance','income','score']
df_new.to_excel(r'C:\Users\15643\Desktop\clean_data.xls',sheet_name='test')
excel_path2=r'C:\Users\15643\Desktop\clean_data.xls'
#将初处理后的数据进行进一步标准化处理
df_clean =pd.DataFrame(pd.read_excel(excel_path2))
df_clean['income'].replace({1:10,2:17.5,3:30,4:35},inplace=True)
df_clean
以下为经过处理之后的数据格式
2.运用K-means算法进行聚类分析
在经过处理的数据中我们有6个属性,我们想要将数据分为三块,并观察每个属性在每一个分群中的不同表现,因此在每个分群中引入概率密度图-概率密度不表示概率,而表示概率分布的密集程度。
import pandas as pd
from sklearn.cluster import KMeans #导入K均值聚类算法
import matplotlib.pyplot as plt
`inputfile=r'C:\Users\15643\Desktop\clean_data.xls'
outputfile=r'C:\Users\15643\Desktop\fin_data.xls'
k = 3 #需要进行的聚类类别数
iteration = 500 #聚类最大循环数
#读取数据并进行聚类分析
data = pd.read_excel(inputfile) #读取数据
#调用k-means算法,进行聚类分析
kmodel = KMeans(n_clusters = k, n_jobs = 4) #n_jobs是并行数,一般等于CPU数较好
kmodel.fit(data) #训练模型
r1 = pd.Series(kmodel.labels_).value_counts() #统计各个类别的数目
r2 = pd.DataFrame(kmodel.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
r.columns = list(data.columns) + [u'类别数目'] #重命名表头
print (r)
r = pd.concat([data, pd.Series(kmodel.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) #保存分类结果
def density_plot(data): #自定义作图函数
p = data.plot(kind='kde', linewidth = 2, subplots = True, sharex = False)
[p[i].set_ylabel('density') for i in range(k)]
plt.legend()
return plt
pic_output ='C://Users/15643/Desktop/pic/' #概率密度图文件名前缀
for i in range(k):
density_plot(data[r[u'聚类类别']==i]).savefig(u'%s%s.png' %(pic_output, i))
https://blog.csdn.net/lilu916/article/details/72997644
引用
结果
聚类中心对应类别下的样本数目:
分群1
分群2
分群3
结果分析
通过以上结果我们可以很清楚的发现:
分群1的education(受教育程度)属性最大,age(年龄)属性最小,insurance(保险类型)属性最大
分群2的income(家庭年收入)属性最大,education(受教育程度)属性最小,score(抗击新冠疫情对基层卫生机构满意度)属性最小
分群3的gender(性别)属性最大,score(抗击新冠疫情对基层卫生机构满意度)属性最大,insurance(保险类型)属性最小,income(家庭年收入)属性最小
因此整个数据可分为三群
1.受教育程度最高的年轻人最倾向于购买医疗保险,而且这一类群的人也倾向于对抗击新冠疫情对基层卫生机构有着较高的满意度
2.受教育程度较低的且出生于较富裕家庭的人倾向于购买一些医疗保险,但是这类人对于抗击新冠疫情对基层卫生机构普遍有着较低的满意度
3.受教育程度较高且出生于较不富裕家庭的女性更加不倾向于购买医疗保险,但这类人对于抗击新冠疫情对基层卫生机构有最高满意度