[Python数据挖掘] sklearn-KMeans聚类

约定不等于承诺〃 2022-01-22 23:31 336阅读 0赞

**\[问题背景\]**

假定有这样的数据集，txt格式，ANSI编码：

YZN,133,108,76
    ZHY,96,145,101
    WYZ,132,107,60
    DHY,100,102,120
    CYH,139,99,93
    LHY,73,149,81
    ZHY,85,148,93
    TQP,39,138,85
    ZZL,145,112,71
    HJC,101,116,118
    XZY,99,98,117

每行第一列是学生姓名，第二列是语文成绩，第三列是数学成绩，第四列是英语成绩。

目标是利用KMeans对学生进行聚类，例如聚成3类。

**\[问题分析\]**

数据预处理：

def loadData(filePath):
        fr = open(filePath, 'r+')
        lines = fr.readlines()
        retName = []
        retData = []
        for line in lines:
            items = line.strip().split(',')
            retName.append(items[0])
            retData.append([float(items[i]) for i in range(1,len(items))])
        return retName, retData

编写loadData()函数，作用是传入grade.txt，传出两个列表：

Name = ['YZN', 'ZHY', 'WYZ', 'DHY', 'CYH', 'LHY', 'ZHY', 'TQP', 'ZZL', 'HJC', 'XZY']
    Data = [[133.0, 108.0, 76.0], [96.0, 145.0, 101.0], [132.0, 107.0, 60.0], [100.0, 102.0, 120.0], [139.0, 99.0, 93.0], [73.0, 149.0, 81.0], [85.0, 148.0, 93.0], [39.0, 138.0, 85.0], [145.0, 112.0, 71.0], [101.0, 116.0, 118.0], [99.0, 98.0, 117.0]]

这样就完成了数据预处理工作。这部分代码的编写思想请参考 [\[Python数据处理\] 怎样用Python预处理txt文档提取数据][Python_ _Python_txt]

应用KMeans聚类器：

数据预处理grade.txt(需要和该py代码处于同一目录下)

if __name__ == '__main__':
        Name, Data = loadData('grade.txt')

设置聚类数目为3：

clusters_cnt = 3

用KMeans()方法设置生成一个3类聚类器km

km = KMeans(n_clusters=clusters_cnt)

将Data传入km分类器的fit\_predict()接口，传出label标签

label是一个存放标签值的列表，顺序与Data相同

label = km.fit_predict(Data)

此时label的内容为

[1 2 1 0 1 2 2 2 1 0 0]

每次运行生成的标签值不尽相同，因为贴标签的方式可能是(0 1 2), (0 2 1), (1 0 2), (1 2 0), (2 0 1), (2 1 0)多种，但同类的数据条的标签都是一样的

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N3b3JkdHJhdmVsbGVy_size_16_color_FFFFFF_t_70][] 传入Data数据 经过fit\_predict接口 传出label标签示意图

按照标签对数据分类整理，把数据放到包含对应各个标签的小列表的大列表中

outputName = []
        for i in range(clusters_cnt):
            outputName.append([])
        for i in range(len(Name)):
            outputName[label[i]].append(Name[i])
        print(outputName)

最后输出聚类结果：

[['DHY', 'HJC', 'XZY'], ['YZN', 'WYZ', 'CYH', 'ZZL'], ['ZHY', 'LHY', 'ZHY', 'TQP']]

可以看出，KMeans聚类器将

英语较好的DHY, HJC, XZY聚在一起；

语文较好的YZN, WYZ, CYH, ZZL聚在一起;

数学较好的ZHY, LHY, ZHY, TQP聚在一起。

读者可看grade.txt内容验证以上聚类结果。

** 最后附上完整代码：**

import numpy as np
    from sklearn.cluster import KMeans
    
    def loadData(filePath):
        fr = open(filePath, 'r+')
        lines = fr.readlines()
        retName = []
        retData = []
        for line in lines:
            items = line.strip().split(',')
            retName.append(items[0])
            retData.append([float(items[i]) for i in range(1,len(items))])
        return retName, retData
    
    if __name__ == '__main__':
        Name, Data = loadData('grade.txt')
        
        clusters_cnt = 3
        km = KMeans(n_clusters=clusters_cnt)
        label = km.fit_predict(Data)
    
        outputName = []
        for i in range(clusters_cnt):
            outputName.append([])
        for i in range(len(Name)):
            outputName[label[i]].append(Name[i])
        print(outputName)

**\[注\]**numpy和sklearn库可通过pip命令或其他管理工具安装；字符串形式的课程分数在预处理时需要强转成float

[Python_ _Python_txt]: https://blog.csdn.net/swordtraveller/article/details/90715061
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N3b3JkdHJhdmVsbGVy_size_16_color_FFFFFF_t_70]: /images/20220123/73b0b51d922349ea9e6aad1c1fea5fa1.png