在python数据挖掘与实战的第四章代码4-3的数据离散化中发现问题,纠正后代码如下:
标注了改动1.2.3.4.5
# -*- coding: utf-8 -*-
# 数据规范化
import pandas as pd
datafile = r'D:\mechine learning\Data Analysis and Mining\chapter4\demo\data\discretization_data.xls' # 参数初始化
data = pd.read_excel(datafile) # 读取数据
data = data[u'肝气郁结证型系数'].copy()
k = 4
d1 = pd.cut(data, k, labels=range(k)) # 等宽离散化,各个类比依次命名为0,1,2,3
# 等频率离散化
w = [1.0 * i / k for i in range(k + 1)] # [0.0, 0.25, 0.5, 0.75, 1.0]
w = data.describe(percentiles=w)[4:4 + k + 1] # 使用describe函数自动计算分位数
w[0] = w[0] * (1 - 1e-10)
d2 = pd.cut(data, w, labels=range(k))
# 可以直接用d2 = pd.qcut(data, k, labels=range(k))代替 # 等频率离散化,各个类比依次命名为0,1,2,3
from sklearn.cluster import KMeans # 引入KMeans
if __name__ == '__main__': # 改动4
kmodel = KMeans(n_clusters=k, n_jobs=4) # 建立模型,n_jobs是并行数,一般等于CPU数较好
kmodel.fit(data.values.reshape((len(data), 1))) # 改动1 将data用reshape改为一个n*1的数组。
c = pd.DataFrame(kmodel.cluster_centers_).sort_values(0, ascending=True) # 改动2 将训练得到的聚类中心,按从小到大排序)
w = c.rolling(2).mean().iloc[1:] # 改动3 相邻两项求中间点,作为边界点
w = [0] + list(w[0]) + [data.max()] # 把首末边界点加上
d3 = pd.cut(data, w, labels=range(k))
def cluster_plot(d, k): # 自定义作图函数来显示聚类结果
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
plt.figure(figsize=(8, 3))
for j in range(0, k):
plt.plot(data[d == j], [j for i in d[d == j]], 'o')
plt.ylim(-0.5, k - 0.5)
return plt
if __name__ == '__main__': #改动5
cluster_plot(d1, k).show()
cluster_plot(d2, k).show()
cluster_plot(d3, k).show()