[Python数据挖掘] sklearn-KMeans聚类

[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

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

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。

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

 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；字符串形式的分数在预处理时需要强转成float