如何利用python的KMeans和PCA包实现聚类算法

如何利用python的KMeans和PCA包实现聚类算法,很多新手对此不是很清楚,为了帮助大家解决这个难题,下面小编将为大家详细讲解,有这方面需求的人可以来学习下,希望你能有所收获。

我们提供的服务有:做网站、成都做网站、微信公众号开发、网站优化、网站认证、民勤ssl等。为近千家企事业单位解决了网站和推广的问题。提供周到的售前咨询和贴心的售后服务,是有科学管理、有技术的民勤网站制作公司

题目: 通过给出的驾驶员行为数据(trip.csv),对驾驶员不同时段的驾驶类型进行聚类,聚成普通驾驶类型,激进类型和超冷静型3类 。 利用Python的scikit-learn包中的Kmeans算法进行聚类算法的应用练习。并利用scikit-learn包中的PCA算法来对聚类后的数据进行降维,然后画图展示出聚类效果。通过调节聚类算法的参数,来观察聚类效果的变化,练习调参。

数据介绍: 选取某一个驾驶员的经过处理的数据集trip.csv,将该驾驶人的各个时间段的特征进行聚类。(注:其中的driver 和trip_no 不参与聚类)

字段介绍: driver :驾驶员编号;trip_no:trip编号;v_avg:平均速度;v_var:速度的方差;a_avg:平均加速度;a_var:加速度的方差;r_avg:平均转速;r_var:转速的方差; v_a:速度level为a时的时间占比(同理v_b , v_c , v_d ); a_a:加速度level为a时的时间占比(同理a_b, a_c); r_a:转速level为a时的时间占比( r_b, r_c)

聚类算法要求

(1)统计各个类别的数目

(2)找出聚类中心

(3)将每条数据聚成的类别(该列命名为jllable )和原始数据集进行合并,形成新的dataframe,命名为new_df ,并输出到本地,命名为new_df.csv。

降维算法要求:

(1)将用于聚类的数据的特征的维度降至2维,并输出降维后的数据,形成一个dataframe名字new_pca

(2)画图来展示聚类效果(可用如下代码):

import matplotlib.pyplot asplt

   d = new_pca[new_df['jllable'] == 0]

   plt.plot(d[0], d[1], 'r.')

   d = new_pca[new_df['jllable'] == 1]

   plt.plot(d[0], d[1], 'go')

   d = new_pca[new_df['jllable'] == 2]

   plt.plot(d[0], d[1], 'b*')

   plt.gcf().savefig('D:/workspace/python/Practice/ddsx/kmeans.png')

   plt.show()

python实现代码如下:

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

from sklearn.cluster import KMeans

from sklearn.decomposition import PCA

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

 

df=pd.read_csv('trip.csv', header=0, encoding='utf-8')

df1=df.ix[:,2:]

kmeans = KMeans(n_clusters=3, random_state=10).fit(df1)

df1['jllable']=kmeans.labels_

df_count_type=df1.groupby('jllable').apply(np.size)

   

##各个类别的数目

df_count_type

##聚类中心

kmeans.cluster_centers_

##新的dataframe,命名为new_df ,并输出到本地,命名为new_df.csv。

new_df=df1[:]

new_df

new_df.to_csv('new_df.csv')

 

##将用于聚类的数据的特征的维度降至2维,并输出降维后的数据,形成一个dataframe名字new_pca

pca = PCA(n_components=2)

new_pca = pd.DataFrame(pca.fit_transform(new_df))

 

##可视化

= new_pca[new_df['jllable'== 0]

plt.plot(d[0], d[1], 'r.')

= new_pca[new_df['jllable'== 1]

plt.plot(d[0], d[1], 'go')

= new_pca[new_df['jllable'== 2]

plt.plot(d[0], d[1], 'b*')

plt.gcf().savefig('kmeans.png')

plt.show()

运行结果如下:

   ##各个类别的数目

如何利用python的KMeans和PCA包实现聚类算法

    ##聚类中心

如何利用python的KMeans和PCA包实现聚类算法

    ##新的dataframe,命名为new_df ,并输出到本地,命名为new_df.csv。

 如何利用python的KMeans和PCA包实现聚类算法

    ##可视化------kmeans.png

如何利用python的KMeans和PCA包实现聚类算法

看完上述内容是否对您有帮助呢?如果还想对相关知识有进一步的了解或阅读更多相关文章,请关注创新互联行业资讯频道,感谢您对创新互联的支持。

标题名称:如何利用python的KMeans和PCA包实现聚类算法
链接分享:https://www.cdcxhl.com/article38/jcgdpp.html

成都网站建设公司_创新互联,为您提供外贸建站面包屑导航网站策划移动网站建设网站设计公司外贸网站建设

广告

声明:本网站发布的内容(图片、视频和文字)以用户投稿、用户转载内容为主,如果涉及侵权请尽快告知,我们将会在第一时间删除。文章观点不代表本网站立场,如需处理请联系客服。电话:028-86922220;邮箱:631063699@qq.com。内容未经允许不得转载,或转载时需注明来源: 创新互联

成都网站建设