聚类案例

import pandas as pd
beer=pd.read_csv('data.txt',sep=' ')
# print(bear)
#取出四列数据
X=beer[['calories','sodium','alcohol','cost']]

#导入kmeans
from sklearn.cluster import KMeans

km=KMeans(n_clusters=3).fit(X)
km2=KMeans(n_clusters=2).fit(X)
#查看km聚类完每个数据属于那个类别
print(km.labels_)

beer['cluster']=km.labels_
beer['cluster2']=km2.labels_
beer=beer.sort_values('cluster')
# print(beer)

from pandas.plotting import scatter_matrix
cluster_centers=km.cluster_centers_
cluster_centers_2=km2.cluster_centers_

beer_mean=beer.groupby('cluster').mean()
print(beer_mean)

#找出中心点
centers=beer.groupby('cluster').mean().reset_index()
import matplotlib.pyplot as plt
plt.rcParams['font.size']=14

import numpy as np

colors=np.array(['red','green','blue','yellow'])

plt.scatter(beer["calories"], beer["alcohol"],c=colors[beer["cluster"]])

plt.scatter(centers.calories, centers.alcohol, linewidths=3, marker='+', s=300, c='black')

plt.xlabel("Calories")
plt.ylabel("Alcohol")
plt.show()
#3个簇的结果
scatter_matrix(beer[["calories","sodium","alcohol","cost"]],s=100, alpha=1, c=colors[beer["cluster"]], figsize=(10,10))
plt.suptitle("With 3 centroids initialized")
plt.show()

#前面没有对数据做标准化的处理
from sklearn.preprocessing import StandardScaler
scaler=StandardScaler()
X_scaled=scaler.fit_transform(X)
# print(X_scaled)
km1=KMeans(n_clusters=3).fit(X_scaled)
beer['scaled_cluster']=km1.labels_
beer=beer.sort_values('scaled_cluster')
print(beer)


#聚类评估轮廓系数
from sklearn import metrics
score_scaled = metrics.silhouette_score(X,beer.scaled_cluster)
score = metrics.silhouette_score(X,beer.cluster)
print(score_scaled, score)

#簇系数
scores = []
for k in range(2,20):
    labels = KMeans(n_clusters=k).fit(X).labels_
    score = metrics.silhouette_score(X, labels)
    scores.append(score)

print(scores)

plt.plot(list(range(2,20)), scores)
plt.xlabel("Number of Clusters Initialized")
plt.ylabel("Sihouette Score")
plt.show()


#DBSCAN  算法
from sklearn.cluster import DBSCAN
db=DBSCAN(eps=10,min_samples=2).fit(X)
labels = db.labels_
beer['cluster_db'] = labels
beer=beer.sort_values('cluster_db')
print(beer)
#重复上面步骤可以看到标准化过后的数据情况

聚类评估：轮廓系数（Silhouette Coefficient ）

计算样本i到同簇其他样本的平均距离ai。ai 越小，说明样本i越应该被聚类到该簇。将ai 称为样本i的簇内不相似度。
计算样本i到其他某簇Cj 的所有样本的平均距离bij，称为样本i与簇Cj 的不相似度。定义为样本i的簇间不相似度：bi =min{bi1, bi2, …, bik}
si接近1，则说明样本i聚类合理
si接近-1，则说明样本i更应该分类到另外的簇
若si 近似为0，则说明样本i在两个簇的边界上。