【R语言 第2篇】K-means聚类分析流程

聚类算法是没用因变量的。
聚类算法有层次聚类、基于划分的聚类、两步聚类法、基于密度的聚类。

聚类方法的逻辑

客户细分是将全体客户划分为多个分组并刻画特征的过程，使得组内客户高度相似，组间客户差异明显。
基本逻辑：
步骤1：从N个观测和K各属性数据开始；
步骤2：计算N各观测两者之间的距离；
步骤3：将相离最近的观测聚为一类，距离远的分为不同类。最终达到组间的距离最大化，组间的距离最大化。

特别注意：

聚类分析前要对数据进行标准化（scale），然后做主成分分析（降维）。

K-means聚类示例

• 得知当前文件位置
  getwd()

• 更改文件位置
  setwd("E:/R/……")
• 这里使用河流化学成份对有害藻类影响的数据集
• 数据属性说明：
• season 季节
• size 河流大小
• speed 河流速度
• mxPH 最大PH值
• mnO2 最小含氧量
• Cl 平均氯化物含量
• NO3 平均硝酸盐含量
• NH4 平均氨含量
• oPO4 平均正磷酸盐含量
• PO4 平均磷酸盐含量
• Chla 平均叶绿素含量
• algae 有害藻的频率数目
• 读入数据
  vdata=read.csv("algpre.csv")
• 加载包，查看数据缺失情况
  library(ggplot2)
  library(dfexplore)
  dfplot(vdata)
  summary(vdata)
• 层次聚类、基于划分聚类（Kmeans)、基于密度聚类都只可以用于连续变量,
• 使用mxPH,mnO2,Cl,NO3,NH4,oPO4,PO4,Chla这些属性进行聚类。
  Vdata2<-vdata[,c("mxPH","mnO2","Cl","NO3","NH4","oPO4","PO4","Chla")]
• 进行kmeans聚类前，需要进行标准化处理，这里使用scale函数进行标准化
  data1=scale(Vdata2)
• 加载fpc包，使用pamk函数，确定聚类个数
  library(fpc)
  pamk.result=pamk(data1)
  pamk.result$nc
• 使用stats包中的kmeans函数,iter.max最大迭代次数，可写可不写，但是数据量很大的时候，一定要写防止死机。
  kmd=kmeans(data1,centers = pamk.result$nc,iter.max = 100)
• 输出聚类结果
  type=kmd$cluster
• 查看聚类结果分布
  table(type)
• 聚类中心结果输出
  centerver=kmd$centers
  centerver
• 将聚类中心结果写入本地excel中,用excel雷达图来描述聚类因子特征，找出每类的优势特征和劣势特征。
  write.csv(centerver,'E:/R/……/centerver.csv')
• 把聚类结果添加到原始数据中
  data2<-cbind(vdata,type=kmd$cluster)

下篇将补上“主成分分析和因子分析”的实际操作。