汽车产品聚类分析（分析向）

目录

1.  项目介绍

2. 使用工具

3. 项目分析

3.1 原数据查看、清洗

3.2 数据处理    

 3.3 数据降维 

 3.4 聚类分析 

 3.5 详细聚类结果提取       

1.  项目介绍

        数据car_price.csv包括了205款车的26个字段，以竞品分析为背景，通过数据的聚类，为汽车提供聚类分类。对于指定的车型，可以通过聚类分析找到其竞品车型。通过这道赛题，鼓励学习者利用车型数据，进行车型画像的分析，为产品的定位，竞品分析提供数据决策。

数据来源【教学赛】数据分析达人赛3:汽车产品聚类分析赛题与数据-天池大赛-阿里云天池 (aliyun.com)https://tianchi.aliyun.com/competition/entrance/531892/information

2. 使用工具

• 环境——Python3
• 相关方法——独热编码(One Hot Encoder)、数据归一化min-max标准化（Min-Max Normalization）、PCA降维、聚类分析K-Means（基于欧式距离的聚类算法）

3. 项目分析

3.1 原数据查看、清洗

        导入需要的库

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
from sklearn.decomposition import PCA
from sklearn.preprocessing import MinMaxScaler
import difflib as dl     

#读取数据
data = pd.read_csv('car_price.csv')
#查看数据大小
print(data.shape)
#查看数据大致情况
data.head()

(205, 26)

#是否有重复值，一般也是没有的
data.duplicated().sum()

 0

# 查看数据的空值与类型情况
data.info()

RangeIndex: 205 entries, 0 to 204
Data columns (total 26 columns):
 #   Column            Non-Null Count  Dtype  
---  ------            --------------  -----  
 0   car_ID            205 non-null    int64  
 1   symboling         205 non-null    int64  
 2   CarName           205 non-null    object 
 3   fueltype          205 non-null    object 
 4   aspiration        205 non-null    object 
 5   doornumber        205 non-null    object 
 6   carbody           205 non-null    object 
 7   drivewheel        205 non-null    object 
 8   enginelocation    205 non-null    object 
 9   wheelbase         205 non-null    float64
 10  carlength         205 non-null    float64
 11  carwidth          205 non-null    float64
 12  carheight         205 non-null    float64
 13  curbweight        205 non-null    int64  
 14  enginetype        205 non-null    object 
 15  cylindernumber    205 non-null    object 
 16  enginesize        205 non-null    int64  
 17  fuelsystem        205 non-null    object 
 18  boreratio         205 non-null    float64
 19  stroke            205 non-null    float64
 20  compressionratio  205 non-null    float64
 21  horsepower        205 non-null    int64  
 22  peakrpm           205 non-null    int64  
 23  citympg           205 non-null    int64  
 24  highwaympg        205 non-null    int64  
 25  price             205 non-null    float64
dtypes: float64(8), int64(8), object(10)
memory usage: 41.8+ KB

#查看描述统计信息
print(data.describe())

       car_ID   symboling   wheelbase   carlength    carwidth   carheight  \
count  205.000000  205.000000  205.000000  205.000000  205.000000  205.000000   
mean   103.000000    0.834146   98.756585  174.049268   65.907805   53.724878   
std     59.322565    1.245307    6.021776   12.337289    2.145204    2.443522   
min      1.000000   -2.000000   86.600000  141.100000   60.300000   47.800000   
25%     52.000000    0.000000   94.500000  166.300000   64.100000   52.000000   
50%    103.000000    1.000000   97.000000  173.200000   65.500000   54.100000   
75%    154.000000    2.000000  102.400000  183.100000   66.900000   55.500000   
max    205.000000    3.000000  120.900000  208.100000   72.300000   59.800000   

        curbweight  enginesize   boreratio      stroke  compressionratio  \
count   205.000000  205.000000  205.000000  205.000000        205.000000   
mean   2555.565854  126.907317    3.329756    3.255415         10.142537   
std     520.680204   41.642693    0.270844    0.313597          3.972040   
min    1488.000000   61.000000    2.540000    2.070000          7.000000   
25%    2145.000000   97.000000    3.150000    3.110000          8.600000   
50%    2414.000000  120.000000    3.310000    3.290000          9.000000   
75%    2935.000000  141.000000    3.580000    3.410000          9.400000   
max    4066.000000  326.000000    3.940000    4.170000         23.000000   

       horsepower      peakrpm     citympg  highwaympg         price  
count  205.000000   205.000000  205.000000  205.000000    205.000000  
mean   104.117073  5125.121951   25.219512   30.751220  13276.710571  
std     39.544167   476.985643    6.542142    6.886443   7988.852332  
min     48.000000  4150.000000   13.000000   16.000000   5118.000000  
25%     70.000000  4800.000000   19.000000   25.000000   7788.000000  
50%     95.000000  5200.000000   24.000000   30.000000  10295.000000  
75%    116.000000  5500.000000   30.000000   34.000000  16503.000000  
max    288.000000  6600.000000   49.000000   54.000000  45400.000000  

        项目的目的是寻找出vokswagen（大众汽车）品牌的对应竞品，汽车名字在CarName中，需要提取出来。并且有些名字有错误。提取汽车品牌名，只要第一列

carbrand = data['CarName'].str.split(expand=True)[0]
print(set(carbrand))#名字情况
print('名字情况——',carbrand.unique())

#把无效的汽车ID删除
data = data.drop(['car_ID'],axis=1)
data.head()

         这里使用difflib文本差异对比库找出不正确的名字

error_list = []
for i in set(carbrand):
    for j in set(carbrand):
            X = dl.SequenceMatcher(a = i, b = j).quick_ratio()
            if X > 0.7 and X < 1:   #结果测试设定为0.7以上最合适
                error_list.append(i)
                error_list.append(j)
error_brand = pd.DataFrame(error_list)
error_brand = error_brand[error_brand.duplicated()].reset_index(drop = True)
print(error_brand)

            0
0       maxda
1       mazda
2      toyota
3     toyouta
4    porcshce
5     porsche
6      nissan
7      Nissan
8  volkswagen
9   vokswagen

        名称修正

new_name = {'Nissan':'nissan','maxda':'mazda','toyouta':'toyota','vokswagen':'volkswagen','vw':'volkswagen','porcshce':'porsche'}
carbrand = carbrand.replace(new_name)
print(set(carbrand))
#正确的名字替换进去
data['CarName'] = carbrand
data.head()

3.2 数据处理    

        需要将数据转化为可识别的数值类型，看情况数据情况为类别，类别数量也不是很多。这里采用独热编码(One Hot Encoder)。用pandas里面的get_dummies方法。
        这里先复制一份，用来去掉暂时用不到的CarName 。

data1 = data.copy()
data1 = data1.drop(['CarName'],axis=1)
#提取字符类型
car_object = data1.select_dtypes(include='object').columns
#转化
car_data = pd.concat([data1.drop(car_object,axis=1),pd.get_dummies(data1[car_object])],axis=1) # 按照列拼接
car_data.head()

         为了提升模型的速度与精度，将数据归一化，这里采用min-max标准化（Min-Max Normalization）

car_data  = pd.DataFrame(MinMaxScaler().fit_transform(car_data))
car_data.head()

 3.3 数据降维 

        因为独热编码处理，维度较多，需要结合PCA降维。对于n_components要选择多少，降维后保留的特征的数目，这里采用可视化获取可解释性方差的贡献率来选取。

pca = PCA()
pca_data = pca.fit(car_data)
pca_var_ratio = pca.explained_variance_ratio_
pca_cumsum_var_ratio = np.cumsum(pca.explained_variance_ratio_)
#选取特征数目的增加，获取原始数据的信息也会随之增加
list1 = list(range(1,53+1))
plt.plot(list1, pca_cumsum_var_ratio* 100)  # 
plt.xlabel('The number of features after dimension')
plt.ylabel('The sum of explained_variance_ratio_')
plt.show()

        为了具体确定多少维度，为了不主观选择，这里选择大于90%的方差性解释。

pca = PCA(n_components=0.9)
pca_car_data = pca.fit_transform(car_data)
pca_var_ratio1 = pca.explained_variance_ratio_
print(pca_car_data)
print(sum(pca_var_ratio1))
print(pca.n_components_)

[[ 0.62663242  1.26857717 -0.25429826 ... -0.16575793 -0.59764184
   0.31190006]
 [ 0.63834831  1.27162601 -0.25419496 ... -0.16783075 -0.58829481
   0.31747487]
 [ 0.91042674  1.69024806 -0.2630416  ...  0.06211814  0.04592683
  -0.51016574]
 ...
 [ 1.82460158 -0.08240348 -0.84712439 ... -0.113876    0.24725055
  -0.35836385]
 [ 1.49431335 -1.01817521  1.69100053 ...  0.27315214 -0.01560505
  -0.18447697]
 [ 1.29111955 -0.58546888  0.33354861 ...  0.11555268  0.0867841
  -0.04556614]]
0.9108363907594454
14

 3.4 聚类分析 

        维度确定为14。维度选定后开始进行k-means聚类。确定聚类簇的个数，有多种方法、这里用手肘法探查一下。

SSE = []
for i in range(1,15):
    kmeans = KMeans(n_clusters=i,random_state=2022) 
    kmeans.fit(pca_car_data)
    SSE.append(kmeans.inertia_)
X = range(1,15)
plt.plot(X,SSE,'o-')
plt.xlabel('k')
plt.ylabel('SSE')
plt.show()

        

        拐点确定为6点处，确定簇的数量为6。

chu = KMeans(n_clusters=6,random_state=2022)
label1 = chu.fit_predict(pca_car_data)+1
#生成相应的标签
# label1 = chu.predict(pca_car_data)
print(label1)
# 将聚合后的类并列到对应的原数据中
data_label = data.copy()
data_label.insert(2,'label',label1)
#data_label['label'] = label1
#把原来的汽车名字一栏再弄回来。之前修改是为了方便后面对应品牌名称匹配
x = pd.read_csv('car_price.csv')
#data_label['oldcarname'] = x['CarName']
data_label.insert(3,'oldcarname',x['CarName'])
data_label.head()

         

        在簇划分的基础之上，可根据特征列找出volkswagen车型对应的标签

volkswagen_data = data_label[[i.find('volkswagen')==0 for i in data_label['CarName']]][['CarName','carbody','oldcarname','label','price','horsepower','peakrpm', 'compressionratio','citympg','highwaympg']]
volkswagen_data

 3.5 详细聚类结果提取       

         可知volkswagen的簇有1、4、6三个。由上表可再对车型具体划分，可以分为轿车(sedan)，货车(wagon)，活动顶篷式汽车(convertible)，掀背式汽车(hatchback)。        
        对各聚类竞品具体查看分析。先查看分类1的。根据上表，可以看出1类的volkswagen牌车型（carbody）有两种——掀背式汽车(hatchback)，活动顶篷式汽车(convertible)。剩下的都是轿车(sedan)和货车(wagon)
        对各簇调出具体情况，可以为做更加进一步的分析做准备 。

label_1_shape = data_label.loc[data_label['label'].isin([1])]
label_1_shape

 

        对1类的品牌名称去重，查看详细情况 

label_1_name = data_label.loc[data_label['label'].isin([1])]['CarName'].unique().tolist()
label_1_name.remove('volkswagen')
print('去重的总品牌情况\n',label_1_name)
print('\n一共有',len(label_1_name),'种\n')
print('原名称情况\n',data_label.loc[data_label['label'].isin([1])]['oldcarname'].unique().tolist())

去重的总品牌情况
 ['chevrolet', 'dodge', 'honda', 'mazda', 'mitsubishi', 'nissan', 'plymouth', 'renault', 'saab', 'subaru', 'toyota']

一共有 11 种

原名称情况
 ['chevrolet impala', 'chevrolet monte carlo', 'dodge rampage', 'dodge challenger se', 'dodge d200', 'dodge coronet custom (sw)', 'honda civic', 'honda civic cvcc', 'honda accord cvcc', 'honda accord', 'honda civic 1300', 'maxda rx3', 'maxda glc deluxe', 'mazda rx2 coupe', 'mazda 626', 'mazda glc custom', 'mitsubishi mirage', 'mitsubishi lancer', 'mitsubishi outlander', 'mitsubishi g4', 'mitsubishi mirage g4', 'nissan juke', 'nissan clipper', 'plymouth fury iii', 'plymouth cricket', 'renault 5 gtl', 'saab 99e', 'saab 99le', 'saab 99gle', 'subaru', 'subaru dl', 'toyota corona mark ii', 'toyota corona', 'vw dasher', 'vw rabbit']

        

        调取4簇的情况

#调取4簇的情况
label_4_shape = data_label.loc[data_label['label'].isin([4])]
label_4_shape

        

        对4类的品牌名称去重，查看详细情况

label_4_name = data_label.loc[data_label['label'].isin([4])]['CarName'].unique().tolist()
label_4_name.remove('volkswagen')
print('去重的总品牌情况\n',label_4_name)
print('\n一共有',len(label_4_name),'种\n')
print('原名称情况\n',data_label.loc[data_label['label'].isin([4])]['oldcarname'].unique().tolist())

去重的总品牌情况
 ['mazda', 'buick', 'nissan', 'peugeot', 'toyota', 'volvo']

一共有 6 种

原名称情况
 ['mazda glc deluxe', 'mazda rx-7 gs', 'buick electra 225 custom', 'buick century luxus (sw)', 'buick century', 'buick skyhawk', 'nissan gt-r', 'peugeot 304', 'peugeot 504', 'peugeot 604sl', 'peugeot 505s turbo diesel', 'toyota corona', 'toyota corolla', 'toyota celica gt', 'vokswagen rabbit', 'volkswagen model 111', 'volkswagen super beetle', 'volkswagen rabbit custom', 'volvo 246']

        调取6簇的情况

label_6_shape = data_label.loc[data_label['label'].isin([6])]
label_6_shape

         

        对6类的品牌名称去重，查看详细情况

label_6_name = data_label.loc[data_label['label'].isin([6])]['CarName'].unique().tolist()
label_6_name.remove('volkswagen')
print('去重的总品牌情况\n',label_6_name)
print('\n一共有',len(label_6_name),'种\n')
print('原名称情况\n',data_label.loc[data_label['label'].isin([6])]['oldcarname'].unique().tolist())

去重的总品牌情况
 ['audi', 'dodge', 'honda', 'mitsubishi', 'nissan', 'renault', 'saab', 'subaru', 'toyota']

一共有 9 种

原名称情况
 ['audi 100 ls', 'audi 100ls', 'audi fox', 'audi 5000', 'audi 4000', 'dodge coronet custom', 'honda civic', 'mitsubishi outlander', 'nissan dayz', 'nissan fuga', 'nissan otti', 'renault 12tl', 'saab 99le', 'saab 99gle', 'saab 99e', 'subaru baja', 'subaru tribeca', 'toyota corolla', 'toyota corona', 'toyota mark ii', 'volkswagen 1131 deluxe sedan', 'volkswagen type 3', 'volkswagen 411 (sw)', 'volkswagen dasher', 'volkswagen rabbit']

[ ]:

​