数据科学—K均值算法实践

问题描述

• 现在有一组数据，需要通过聚类方法发掘其内在结构

目标

• 对数据进行聚类分析，将数据分为四类（k=4）

数据集

• clusterdata.txt存储待聚类数据；共包含400个数据点；数据维度（400,3）

分析

• 根据以上问题，进行分析。已知训练集，需要将训练集分为4类，同时输出每一类的中心点坐标。
• 分析可得，使用K-Means算法实现此要求。K-Means算法是一个聚类算法，它接受输入参数k，在此实验中k取值为4类，然后将400个数据对象划分为4个聚类，使所获得的聚类满足以下两个条件。
  （1） 同一聚类中的对象之间的相似度较高。
  （2） 不同聚类中的对象之间的相似度较小。
• 其中，“聚类相似度”是利用各聚类中对象的均值所获得的一个“中心对象”的方式计算

算法阐述

• 设置k的取值，并在原始数据集中随机选择k个对象，将这些结点作为聚类中心对象。K=4。
• 计算其他对象与这些聚类中心对象之间的距离，并根据最小距离，将其他结点合并入对应的聚类中心点所属聚类，形成k=4个初始聚类。
• 计算每个中间聚类结果的均值，在k中间聚类中找出k=4个新的“聚类中心对象”。
• 重新计算每个对象与这些新的类中心对象之间的距离，并据最小距离，重新分类，形成k=4个中间聚类结果。
• 重复执行（3）、（4）。当所有对象的聚类情况不再变化或已达到规定的循环次数时，结束执行，并得到最终聚类结果。

代码实现

from matplotlib import pyplot as plt
import numpy as np
from sklearn import cluster
from sklearn.cluster import KMeans
import pandas as pd

#提取训练集
data = np.loadtxt('clusterdata.txt')
print('数据集的形状为：',np.shape(data))#data数据集的形状
print('------------------------------------------------------------------------------')

n_clusters = 4 #分四类
#将data数据集分为四类
#init初始化质心                                                                                                     
cluster = KMeans(n_clusters = n_clusters,init='k-means++',random_state = 0)
#开始聚类
cluster.fit(data)

#简单打印结果
y_pred = cluster.labels_#每个样本对应的簇类别标签
print('数据集的分类结果：')
print(y_pred)
print('------------------------------------------------------------------------------')

r1 = pd.Series(y_pred).value_counts()#统计各类别的数目
centroid = cluster.cluster_centers_#聚类中心，质心
r2=pd.DataFrame(centroid,columns=list('xyz'))#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(r)
print('------------------------------------------------------------------------------')
print('各类别对应的数据数目：')
print(r1)
print('------------------------------------------------------------------------------')
print('质心为\n',centroid)
print('------------------------------------------------------------------------------')
print('质心的数据形状',centroid.shape)

#数据可视化
fig=plt.figure#创建绘图窗口
ax=plt.axes(projection='3d')#创建坐标轴对象
#数据集进行分类
j=0
for i in y_pred:
    if i==0:
        ax.scatter(data[j,0],data[j,1],data[j,2],c='limegreen',s=8)
    elif i==1:
        ax.scatter(data[j,0],data[j,1],data[j,2],c='red',s=8)
    elif i==2:
        ax.scatter(data[j,0],data[j,1],data[j,2],c='royalblue',s=8)
    else:
        ax.scatter(data[j,0],data[j,1],data[j,2],c='orange',s=8)
    j+=1
#显示质心
for k in range(n_clusters):
    ax.scatter(centroid[k,0],centroid[k,1],centroid[k,2],c='black',s=25)
plt.show()
    
                   

结果