如何用python实现聚类离散化

起始聚类离散化就是根据利用一定规则对数据进行分类，可以用分桶式或者k-means 等方法
这里用中医证型关联规则挖掘里面的离散化举例，k-means 举例
首先看下图的原数据，该病存在六种证型系数，为了后续的关联算法，需要先将其离散化。

import pandas as pd
from sklearn.cluster import KMeans #导入K均值聚类算法

datafile = '../data/data.xls' #待聚类的数据文件
processedfile = '../tmp/data_processed.xls' #数据处理后文件
typelabel ={u'肝气郁结证型系数':'A', u'热毒蕴结证型系数':'B', u'冲任失调证型系数':'C', u'气血两虚证型系数':'D', u'脾胃虚弱证型系数':'E', u'肝肾阴虚证型系数':'F'}
k = 4 #需要进行的聚类类别数

#读取数据并进行聚类分析
data = pd.read_excel(datafile) #读取数据
keys = list(typelabel.keys())
result = pd.DataFrame()

if __name__ == '__main__': #判断是否主窗口运行，这句代码的作用比较神奇，有兴趣了解的读取请自行搜索相关材料。
  for i in range(len(keys)):
    #调用k-means算法，进行聚类离散化
    print(u'正在进行“%s”的聚类...' % keys[i])
    kmodel = KMeans(n_clusters = k, n_jobs = 4) #n_jobs是并行数，一般等于CPU数较好
    kmodel.fit(data[[keys[i]]]) #训练模型
    print(kmodel.cluster_centers_)
    r1 = pd.DataFrame(kmodel.cluster_centers_, columns = [typelabel[keys[i]]]) #聚类中心
    #print('r1',r1,kmodel.labels_)
    r2 = pd.Series(kmodel.labels_).value_counts() #分类统计
    r2 = pd.DataFrame(r2, columns = [typelabel[keys[i]]+'n']) #转为DataFrame，记录各个类别的数目

    r = pd.concat([r1, r2], axis = 1).sort_values(typelabel[keys[i]]) #匹配聚类中心和类别数目
    r.index = [1, 2, 3, 4]
    print('r-1',r)
    r[typelabel[keys[i]]] = r[typelabel[keys[i]]].rolling(2).mean() #rolling_mean()用来计算相邻2列的均值，以此作为边界点。
    print('r-2', r)
    r.iloc[0,0] = 0.0 #这两句代码将原来的聚类中心改为边界点。
    print('r-3', r)
    result = result.append(r.T)

  result = result.sort_index() #以Index排序，即以A,B,C,D,E,F顺序排
  result.to_excel(processedfile)

例子二，通过cut进行离散化

import pandas as pd 
import numpy as np
 
index = pd.Index(data=["Tom", "Bob", "Mary", "James","kobe","kawayi"], name="name")
data = {
    "age": [15, 28, 23, 37,33,11]
}
user_info = pd.DataFrame(data=data, index=index)
pd.cut(user_info.age,3) #分成3段，
#[(10.974, 19.667] < (19.667, 28.333] < (28.333, 37.0]] 按照数据的最大值最小值为区间分成3分

当然还可以自定义进行划分
比如
qujian=[5,15,25,40]
pd.cut(user_info.age,qujian,labels=['child','youth','middle'])
#此时就不会按最大值最小值分成3分，而是按照5-15,15-25,25-40的固定区间分，同时会按labels对区间命名

#若想查看各区间的人数，可以用groupyby函数
pdd=pd.cut(user_info['age'],qujian)
user_info['age'].groupby(pdd).count()
#可以通过遍历来查看某一区间有哪些值，pdd相当于一个列名，在翻阅其他例子时发现假如某列就是离散的，可以直接用#groupby（"age"）

for i in user_info['age'].groupby(pdd):
		print（i）

参考文献：
1，Python数据分析与挖掘实战
2，本文借鉴了https://blog.csdn.net/weixin_37536446/article/details/82149772