K-Means不同含量果汁饮料的聚类（聚类算法）

实验内容

某企业通过采集企业自身流水线生产的一种果汁饮料含量的数据集，来实现K-Means算法。通过聚类以判断该果汁饮料在一定标准含量偏差下的生产质量状况，对该饮料进行类别判定。

数据集:

该数据集共有样本59个，变量2个，包括juice（该饮料的果汁含量偏差）、sweet（该饮料的糖分含量偏差），单位均为mg/ml。
所有特征变量都为与标准含量相比的偏差，该数据集没有目标类别标签变量。

数据集展示图：

实验要求

1.加载数据集，读取数据，探索数据。（数据集路径：…/beverage.csv）
2.样本数据转化（可将pandasframe格式的数据转化为数组形式），并进行可视化（绘制散点图），观察数据的分布情况，从而可以得出k的几种可能取值。
3.针对每一种k的取值，进行如下操作：
（1）进行K-Means算法模型的配置、训练。
（2）输出相关聚类结果，并评估聚类效果。
这里可采用CH指标来对聚类有效性进行评估。在最后用每个k取值时评估的CH值进行对比，可得出k取什么值时，聚类效果更优。
注：这里缺乏外部类别信息，故采用内部准则评价指标（CH）来评估。 (metrics.calinski_harabaz_score())
（3）输出各类簇标签值、各类簇中心，从而判断每类的果汁含量与糖分含量情况。
（4）聚类结果及其各类簇中心点的可视化（散点图），从而观察各类簇分布情况。（不同的类表明不同果汁饮料的果汁、糖分含量的偏差情况。）

参考思路：设置k的取值范围；对不同取值k进行训；计算各对象离各类簇中心的欧氏距离，生成距离表；提取每个对象到其类簇中心的距离，并相加；依次存入距离结果；绘制不同看、值对应的总距离值折线图。

实验代码

#导入包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import metrics
from sklearn.cluster import KMeans


#1.加载数据集，读取数据，探索数据。（数据集路径：data/data76878/4_beverage.csv）
data=pd.read_csv("E:/python/SpyderCode/work/4_beverage.csv")
data.info()
print(data.columns)
print(data.head())

#2.样本数据转化（可将pandasframe格式的数据转化为数组形式），并进行可视化（绘制散点图），
#观察数据的分布情况,从而可以得出k的几种可能取值。
df=pd.DataFrame(data)
X=df.iloc[:,0:1]
y=df.iloc[:,1:2]
df=np.array(df)
X=np.array(X)
y=np.array(y)

plt.figure(figsize=(10,6))
plt.scatter(X,y)
plt.xlabel(u"juice")
plt.ylabel(u"sweet")
plt.title(u"The relation juice and sweet")
plt.show()

#数据划分
#train_X,test_X,train_y,test_y=train_test_split(X,y,test_size=0.1)

#3.针对每一种k的取值，进行如下操作：
score_all=[]

#（1）进行K-Means算法模型的配置、训练。
for i in range(2,8):
    plt.figure(figsize=(10,6))
    model=KMeans(n_clusters=i)
    model.fit(df)
    pre_y=model.fit_predict(df)
    #（2）输出相关聚类结果，并评估聚类效果。
    plt.scatter(X,y,c=pre_y,label=i)
    plt.legend(loc=2)#把说明放在左上角
    plt.xlabel(u'juice')
    plt.ylabel(u'sweet')
    #（3）输出各类簇标签值、各类簇中心，从而判断每类的果汁含量与糖分含量情况。
    centroid=model.cluster_centers_ # 重要属性cluster_centers_，查看质心
    print("K值:",i)
    print("centroid:",centroid)
    #质心可视化
    plt.scatter(centroid[:,0],centroid[:,1],marker="x",c="black",s=50)
    #记录不同k值下聚类的CH评价指标的结果
    score=metrics.calinski_harabasz_score(df, pre_y)
    score_all.append(score)
    print("score=",score)
    plt.show()
    print("-----------------------------")
    

#（4）聚类结果及其各类簇中心点的可视化（散点图），从而观察各类簇分布情况。
#（不同的类表明不同果汁饮料的果汁、糖分含量的偏差情况。）
plt.figure(figsize=(10,6))
plt.plot(range(2,8),score_all)
plt.xlabel(u"juice")
plt.ylabel(u"sweet")
plt.title(u"The solution of juice and sweet")
plt.show()