python机器学习————使用sklearn实现Iris数据集KMeans聚类
首先我们对Iris数据集（鸢尾花数据集）进行简单介绍：
- 它分为三个类别，即Iris setosa（山鸢尾）、Iris versicolor（变色鸢尾）和Iris virginica（弗吉尼亚鸢尾），每个类别各有50个实例。
- 数据集定义了五个属性：sepal length（花萼长）、sepal width（花萼宽）、petal length（花瓣长）、petal width（花瓣宽）、class（类别）。
- 最后一个属性一般作为类别属性，其余属性为数值，单位为厘米。
鸢尾花数据集在sklearn中有保存，我们可以直接使用库中的数据集，也可以在这个网站对鸢尾花进行下载。
1、首先导入相应的库和数据
from sklearn import datasets # 存放鸢尾花数据
from sklearn.cluster import KMeans # 机器学习模型
import matplotlib.pyplot as plt
import pandas as pd
iris = datasets.load_iris()
iris_X = iris.data # 花朵属性
iris_y = iris.target # 花朵类别
print(iris_X[:3])
# [[5.1 3.5 1.4 0.2]
# [4.9 3. 1.4 0.2]
# [4.7 3.2 1.3 0.2]
print(iris_y)
# [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
# 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
# 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
# 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
# 2 2]
我们可以看到，花朵属性总共为4列，分别对应sepal length（花萼长）、sepal width（花萼宽）、petal length（花瓣长）、petal width（花瓣宽），这里我们只取了3行出来；类别我们分为了3类，分别对应了0、1、2.
2、取部分特征作散点图
plt.scatter(iris_X[:50,2],iris_X[:50,3],label='setosa',marker='o')
plt.scatter(iris_X[50:100,2],iris_X[50:100,3],label='versicolor',marker='x')
plt.scatter(iris_X[100:,2],iris_X[100:,3],label='virginica',marker='+')
plt.xlabel('petal length')
plt.ylabel('petal width')
plt.title("actual result")
plt.legend()
plt.show()
我们取它的petal length（花瓣长）、petal width（花瓣宽）作为特征作图
3、使用KMeans聚类算法实现簇的聚类
km = KMeans(n_clusters=3) # 设定簇的定值为3
km.fit(iris_X) # 对数据进行聚类
4、数值分析
- 各簇中心坐标
center = km.cluster_centers_
print(center)
# [[5.006 3.428 1.462 0.246 ]
# [5.9016129 2.7483871 4.39354839 1.43387097]
# [6.85 3.07368421 5.74210526 2.07105263]]
- 各簇聚类数量
num = pd.Series(km.labels_).value_counts()
print(num)
# 0 62
# 1 50
# 2 38
# dtype: int64
- 数据聚类结果
y_train = pd.Series(km.labels_)
y_train.rename('res',inplace=True)
print(y_train)
# 0 1
# 1 1
# 2 1
# 3 1
# 4 1
# ..
# 145 2
# 146 0
# 147 2
# 148 2
# 149 0
# Name: res, Length: 150, dtype: int32
- 拼接数据与聚类结果
result = pd.concat([pd.DataFrame(iris_X),y_train],axis=1)
print(result)
# 0 1 2 3 res
# 0 5.1 3.5 1.4 0.2 0
# 1 4.9 3.0 1.4 0.2 0
# 2 4.7 3.2 1.3 0.2 0
# 3 4.6 3.1 1.5 0.2 0
# 4 5.0 3.6 1.4 0.2 0
# .. ... ... ... ... ...
# 145 6.7 3.0 5.2 2.3 2
# 146 6.3 2.5 5.0 1.9 1
# 147 6.5 3.0 5.2 2.0 2
# 148 6.2 3.4 5.4 2.3 2
# 149 5.9 3.0 5.1 1.8 1
# [150 rows x 5 columns]
5、 作图对比
5.1 划分学习后的类别数据
Category_one = result[result['res'].values == 0]
k1 = result.iloc[Category_one.index]
# print(k1)
Category_two = result[result['res'].values == 1]
k2 = result.iloc[Category_two.index]
# print(k2)
Category_three = result[result['res'].values == 2]
k3 =result.iloc[Category_three.index]
# print(k3)
因为这里每次运行学习到的族不同，所以这里不能做簇区分，只能分为1、2、3簇
5.2 作散点对比图
# 原始数据的特征散点图
plt.scatter(iris_X[:50,2],iris_X[:50,3],label='setosa',marker='o',c='yellow')
plt.scatter(iris_X[50:100,2],iris_X[50:100,3],label='versicolor',marker='o',c='green')
plt.scatter(iris_X[100:,2],iris_X[100:,3],label='virginica',marker='o',c='blue')
# 机器学习后数据的特征散点图
plt.scatter(k1.iloc[:,2],k1.iloc[:,3],label='cluster_one',marker='+',c='brown')
plt.scatter(k2.iloc[:,2],k2.iloc[:,3],label='cluster_two',marker='+',c='red')
plt.scatter(k3.iloc[:,2],k3.iloc[:,3],label='cluster_three',marker='+',c='black')
plt.xlabel('petal length') # 花瓣长
plt.ylabel('petal width') # 花瓣宽
plt.title("result of KMeans")
plt.legend()
plt.show()
我们可以看到，左下角的setosa簇是学习最好的，中间的versicolor簇学习到了一些virginica的点，virginica也学习到了两个versicolor的点