# coding=utf-8
from sklearn.manifold import TSNE
from pandas.core.frame import DataFrame
import pandas as pd
import numpy as np
import km as k
#用TSNE进行数据降维并展示聚类结果
tsne = TSNE()
tsne.fit_transform(k.data_zs) #进行数据降维,并返回结果
tsne = pd.DataFrame(tsne.embedding_, index = k.data_zs.index) #转换数据格式
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
#不同类别用不同颜色和样式绘图
d = tsne[k.r[u'聚类类别']== 0] #找出聚类类别为0的数据对应的降维结果
plt.plot(d[0], d[1], 'r.')
d = tsne[k.r[u'聚类类别'] == 1]
plt.plot(d[0], d[1], 'go')
#d = tsne[k.r[u'聚类类别'] == 2]
#plt.plot(d[0], d[1], 'b*')
plt.savefig("data.png")
plt.show()
import pandas as pd
from kmodes.kprototypes import KPrototypes
import matplotlib.pyplot as plt
data = pd.read_csv('./100chuanbingan.csv')
kp = KPrototypes(n_clusters=4, init='Huang', n_init=5, verbose=1)
kp.fit(data, categorical=[0, 1, 2, 3, 5, 7])
# 简单打印结果
r1 = pd.Series(kp.labels_).value_counts() # 统计各个类别的数目
print(r1)
print(kp.cluster_centroids_)
#r2 = pd.DataFrame(kp.cluster_centroids_) # 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
#print('data_zs')
#print(r)
#r.columns = list(data.columns) + [u'类别数目'] # 重命名表头
#print(r)
# 详细输出原始数据及其类别
r = pd.concat([data, pd.Series(kp.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('./k为4聚类结果.xls') # 保存结果
#cost.append(kp.cost_)
#print(kp.cost_)
# for i in range(2, 20):
# kp = KPrototypes(n_clusters=i, init='Huang', n_init=5, verbose=1)
# kp.fit(data, categorical=[0, 1, 2, 3, 5, 7])
# cost.append(kp.cost_)
# print(cost)
#
# print(cost)
# x = range(2, 20)
# plt.plot(x, cost)
# plt.show()