数据分析 | Kmeans数据分析

一、模型介绍

1. 聚类步骤

1. 从数据中随机挑选k个样本点作为原始的簇中心
2. 计算剩余样本与簇中心的距离，并把各样本标记为离k个簇中心最近的类别
3. 重新计算各簇中样本点的均值，并以均值作为新的k个簇中心
4. 不断重复第二步和第三步，直到簇中心变化趋于稳定，形成最终的k个簇

2. 原理介绍

Kmeans聚类的目标函数：
$$J(c_1,c_2,\cdots ,c_k)=\sum _{j=1}^k\sum _i^{n_j}(x_i-c_j{)}^2$$
即k个簇内样本的离差平方和之和达到最小。对目标函数求偏导（与k无关）
$$\frac{\partial J}{\partial c_j}=\sum _{i=1}^{n_j}\frac{(x_i-c_j{)}^2}{\partial c_j}=\sum _{i=1}^{n_j}-2(x_i-c_j)$$
令导函数等于零：
$$c_j=\frac{{\sum }_{i=1}^{n_j}{x}_i}{n_j}={\mu }_j$$
故，我们需要求的是均值。

3. k值的选择

随着k值的增加，簇内离差平方和应该不断变小，直至趋向于0。

01 拐点法

当簇内离差平方和所构成的折线图中，斜率由大突然变小，并且之后的斜率变化缓慢，则认为突然变化的点就是寻找的目标点。

python没有专门的库函数用于计算拐点，这里引用刘顺祥老师的自定义函数方案：

def k_SSE(X, clusters):
    # 选择连续的K种不同的值
    K = range(1,clusters+1)
    # 构建空列表用于存储总的簇内离差平方和
    TSSE = []
    for k in K:
        # 用于存储各个簇内离差平方和
        SSE = []
        kmeans = KMeans(n_clusters=k)
        kmeans.fit(X)
        # 返回簇标签
        labels = kmeans.labels_
        # 返回簇中心
        centers = kmeans.cluster_centers_
        # 计算各簇样本的离差平方和，并保存到列表中
        for label in set(labels):
            SSE.append(np.sum((X.loc[labels == label,]-centers[label,:])**2))
        # 计算总的簇内离差平方和 
        TSSE.append(np.sum(SSE))

02 轮廓系数法

该方法考虑了簇的密集性与分散性两个信息，若数据集被分割为理想的k个簇，那么对应的簇内样本会很密集，而簇间样本会很分散，轮廓系数计算可表示为：
$$S(i)=\frac{b(i)-a(i)}{max(a(i),b(i))}$$
$a(i)$体现簇内的密集性，代表样本i与同簇内其他样本距离的平均值；$b(i)$反应了簇间的分散性，即样本i与其他非同簇样本点的距离的平均值，然后取其中的最小值。

当$S(i)$接近与-1时，说明样本i的分配不合理，需要将其分配到其他簇中；当$S(i)$近似为0时，说明样本i落在了模糊地带，即簇的边界；当$S(i)$近似为1时，说明样本i的分配是合理的。

# 构造自定义函数，用于绘制不同k值和对应轮廓系数的折线图
def k_silhouette(X, clusters):
    K = range(2,clusters+1)
    # 构建空列表，用于存储个中簇数下的轮廓系数
    S = []
    for k in K:
        kmeans = KMeans(n_clusters=k)
        kmeans.fit(X)
        labels = kmeans.labels_
        # 调用字模块metrics中的silhouette_score函数，计算轮廓系数
        S.append(metrics.silhouette_score(X, labels, metric='euclidean'))

    # 中文和负号的正常显示
    plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
    plt.rcParams['axes.unicode_minus'] = False
    # 设置绘图风格
    plt.style.use('ggplot')    
    # 绘制K的个数与轮廓系数的关系
    plt.plot(K, S, 'b*-')
    plt.xlabel('簇的个数')
    plt.ylabel('轮廓系数')
    # 显示图形
    plt.show()
    
# 自定义函数的调用
k_silhouette(X, 15)

二、代码实现

KMeans(n_cluster=8, init='k-means++', n_init=10,max_iter=300, tol=0.0001)

• n_cluster：用于 指定聚类的簇数
• init：用于指定初始的簇中心设置方法，如果为’k-means++’，表示设置的初始簇中心之间相距较远；若为’random’，则表示从数据集中随机挑选k个样本作为初始簇中心；若为数组，则表示用户指定的具体簇中心。
• n_init：指定Kmeans算法的运行次数，每次都会选择不同的簇中心，默认为10

# 读取球员数据
players = pd.read_csv(r'players.csv')
players.head()

# 绘制得分与命中率的散点图
sns.lmplot(x = '得分', y = '命中率', data = players, 
           fit_reg = False, scatter_kws = {'alpha':0.8, 'color': 'steelblue'})
plt.show()

from sklearn import preprocessing
# 数据标准化处理
X = preprocessing.minmax_scale(players[['得分','罚球命中率','命中率','三分命中率']])
# 将数组转换为数据框
X = pd.DataFrame(X, columns=['得分','罚球命中率','命中率','三分命中率'])
# 使用拐点法选择最佳的K值
k_SSE(X, 15)

# 使用轮廓系数选择最佳的K值
k_silhouette(X, 10)

# 将球员数据集聚为3类
kmeans = KMeans(n_clusters = 3)
kmeans.fit(X)
# 将聚类结果标签插入到数据集players中
players['cluster'] = kmeans.labels_
# 构建空列表，用于存储三个簇的簇中心
centers = []
for i in players.cluster.unique():
    centers.append(players.ix[players.cluster == i,['得分','罚球命中率','命中率','三分命中率']].mean())
# 将列表转换为数组，便于后面的索引取数
centers = np.array(centers)

# 绘制散点图
sns.lmplot(x = '得分', y = '命中率', hue = 'cluster', data = players, markers = ['^','s','o'],
           fit_reg = False, scatter_kws = {'alpha':0.8}, legend = False)
# 添加簇中心
plt.scatter(centers[:,0], centers[:,2], c='k', marker = '*', s = 180)
plt.xlabel('得分')
plt.ylabel('命中率')
# 图形显示
plt.show()