python数据分析与挖掘实战（5）挖掘建模之聚类分析、关联规则

K-means 聚类算法

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import pandas as pd
inputfile='E:\\pycharm\\python数据分析与挖掘实战数据及源码\\chapter5\\demo\\data\\consumption_data.xls'
outputfile='E:\\pycharm\\python数据分析与挖掘实战数据及源码\\chapter5\\demo\\tmp\\data_type1.xls'
k=3
iteration=500
data=pd.read_excel(inputfile,index_col=u'Id')
data_zs=1.0*(data-data.mean())/data.std()#数据标准化

from sklearn.cluster import  KMeans
model=KMeans(n_clusters=k,n_jobs=1,max_iter=iteration)#分为k类，并发数为4
model.fit(data_zs)

#简单打印结果
r1=pd.Series(model.labels_).value_counts()#统计各个类别的数目
r2=pd.DataFrame(model.cluster_centers_)#找出聚类中心
r=pd.concat([r2,r1],axis=1)#横向连接（0是纵向），得到聚类中心对应的类别下的数目
r.columns=list(data.columns)+[u'类别数目']

#详细输出原始数据及其类别
r=pd.concat([data,pd.Series(model.labels_,index=data.index)],axis=1)
r.columns=list(data.columns)+[u'聚类类别']
r.to_excel(outputfile)

def density_plot(data):#自定义作图函数
    import matplotlib.pyplot as plt
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    p=data.plot(kind='kde',linewidth=2,subplots=True,sharex=False)#kde表示密度图
    [p[i].set_ylabel(u'密度') for i in range(k)]
    plt.legend()
    return plt
pic_output='E:\\pycharm\\python数据分析与挖掘实战数据及源码\\chapter5\\demo\\tmp\\new'
for i in range(k):
    density_plot(data[r['聚类类别']==i]).savefig(u'%s%s.png' %(pic_output,i))

聚类分析算法评价

#用TSNE进行数据降维并展示聚类结果
from sklearn.manifold import TSNE
tsne=TSNE()
tsne.fit_transform(data_zs)
tsne=pd.DataFrame(tsne.embedding_,index=data_zs.index)
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
d=tsne[r[u'聚类类别']==0]
plt.plot(d[0],d[1],'r.')
d=tsne[r[u'聚类类别']==1]
plt.plot(d[0],d[1],'go')
d=tsne[r[u'聚类类别']==2]
plt.plot(d[0],d[1],'b*')
plt.show()

关联规则

#!/usr/bin/env python
# -*- coding:utf-8 -*-
#使用Apriori算法挖掘菜品订单关联规则
import pandas as pd
from apriori import *
inputfile='E:\\pycharm\\python数据分析与挖掘实战数据及源码\\chapter5\\demo\\data\\menu_orders.xls'
outputfile='E:\\pycharm\\python数据分析与挖掘实战数据及源码\\chapter5\\demo\\tmp\\apriori_rules.xls'
data=pd.read_excel(inputfile,header=None)

print(u'\n转换原始数据01矩阵...')
ct=lambda x:pd.Series(1,index=x[pd.notnull(x)])#转换01矩阵的过渡函数
b=map(ct,data.as_matrix())#用map方式执行，map(函数，对象)，只是一个将对象进行函数化后的容器
data=pd.DataFrame(list(b)).fillna(0)#实现矩阵转化，空值用0填充
print(u'\n转换完毕')
del b#删除中间变量b，节省内存
support=0.2
confidence=0.5
ms='----'#连接符，用来区分不通过元素，如A---B，需要保证原始表格中不含有该字符
find_rule(data,support,confidence,ms).to_excel(outputfile)

将提前编译好的apriori.py放入sitepakges中

#-*- coding: utf-8 -*-
from __future__ import print_function
import pandas as pd

#自定义连接函数，用于实现L_{k-1}到C_k的连接
def connect_string(x, ms):
  x = list(map(lambda i:sorted(i.split(ms)), x))
  l = len(x[0])
  r = []
  for i in range(len(x)):
    for j in range(i,len(x)):
      if x[i][:l-1] == x[j][:l-1] and x[i][l-1] != x[j][l-1]:
        r.append(x[i][:l-1]+sorted([x[j][l-1],x[i][l-1]]))
  return r

#寻找关联规则的函数
def find_rule(d, support, confidence, ms = u'--'):
  result = pd.DataFrame(index=['support', 'confidence']) #定义输出结果
  
  support_series = 1.0*d.sum()/len(d) #支持度序列
  column = list(support_series[support_series > support].index) #初步根据支持度筛选
  k = 0
  
  while len(column) > 1:
    k = k+1
    print(u'\n正在进行第%s次搜索...' %k)
    column = connect_string(column, ms)
    print(u'数目：%s...' %len(column))
    sf = lambda i: d[i].prod(axis=1, numeric_only = True) #新一批支持度的计算函数
    
    #创建连接数据，这一步耗时、耗内存最严重。当数据集较大时，可以考虑并行运算优化。
    d_2 = pd.DataFrame(list(map(sf,column)), index = [ms.join(i) for i in column]).T
    
    support_series_2 = 1.0*d_2[[ms.join(i) for i in column]].sum()/len(d) #计算连接后的支持度
    column = list(support_series_2[support_series_2 > support].index) #新一轮支持度筛选
    support_series = support_series.append(support_series_2)
    column2 = []
    
    for i in column: #遍历可能的推理，如{A,B,C}究竟是A+B-->C还是B+C-->A还是C+A-->B？
      i = i.split(ms)
      for j in range(len(i)):
        column2.append(i[:j]+i[j+1:]+i[j:j+1])
    
    cofidence_series = pd.Series(index=[ms.join(i) for i in column2]) #定义置信度序列
 
    for i in column2: #计算置信度序列
      cofidence_series[ms.join(i)] = support_series[ms.join(sorted(i))]/support_series[ms.join(i[:len(i)-1])]
    
    for i in cofidence_series[cofidence_series > confidence].index: #置信度筛选
      result[i] = 0.0
      result[i]['confidence'] = cofidence_series[i]
      result[i]['support'] = support_series[ms.join(sorted(i.split(ms)))]
  
  result = result.T.sort_values(['confidence','support'], ascending = False) #结果整理，输出
  print(u'\n结果为：')
  print(result)
  
  return result