读书笔记：“集体智慧编程”之第三章：“发现群组”的 k均值聚类

分级聚类的缺点

此前学习的分级聚类、与列聚类，有二个缺点：

• 计算量大，数据越大运行越缓慢。
• 没有确切的将数据分成不同的组，只是形成了树状图。虽然我倒觉得如果写过多的代码这一点还是可以搞定的。

k均值聚类可以应对上述两种缺点，我们会预先告诉算法生成的聚类数量，也就是我要产生几个类。

原理

如下图所示，对于5个数据项和两个聚类

过程是这样的，先随机产生两个聚类点，那么每一个数据项都会离一其中一个最近，那么将其分配给那个聚类。比如，A/B分配了给了上方的点，C/D/E分配给了下方的点。紧着，将聚类点的位置会发生改变，会改变到分配给它的所有数据项的中心位置。然后再进行一次分配，很明显C的距离离上面那一个点变得更近了。所以再将C分配给了上面的聚类点，接着，聚类点的位置再次发生改变。如此一来。当然分配的过程中，没有一个点的分配状况被改变，那么聚类点的位置也不会发生改变。此时，聚类结束。我们产生了两个聚类。


所以与分级聚类相比，其还会接受一个额外的参数，就是希望参数多少个聚类的多少。

k均值聚类的代码

代码如下：

import random


def kcluster(rows,distance=pearson,k=4):
    #收集每一行的最大值和最小值
    ranges=[(min([row[i] for row in rows]),max([row[i] for row in rows])) for i in range(len(rows[0]))]
    


    #创建k个聚类点，第一次是随机的,数组列表里面再装了一个数组列表，外层数据列表有4个元素，内层数据列表有和单词数一样多个。
    #内层数组列表的每一个数值就是最大值到最小值之间的一个数，表示这个聚类点与其他数据点之间的...差距吧，因为如果两者数值一样，那么就离得很近
    #刚开始这个数值是每一行都加入了，后来将聚类点新的位置的时候，只有这个属于这个类的元素点才算进去，求平均了 
    clusters=[[random.random()*(ranges[i][1]-ranges[i][0])+ranges[i][0] for i in range(len(rows[0]))] for j in range(k)]
    
    lastmatches=None
    for t in range(100):#迭代次数，这里写的是100次
        print 'Iteration %d' % t
        bestmatches=[[]for i in range(k)]#一个列表数组里面再装一个列表数组
        
        #在每一行中寻找距离最近的中心点
        for j in range(len(rows)):#那得博客的数量，也就是对每一个博客
            row=rows[j]#从0开始，没问题，这里拿到第一个博客的词频，因为博客名和单词都不在这个data数据集里面,这里是一行一行的拿数据
            bestmatch=0#没有加s，与上一个不同.假设与第0个聚类点最近
            for i in range(k):#循环4次
                d=distance(clusters[i],row)#计算聚类点和数据之间的距离
                if d0:#说明分类里面有元素
                for rowid in bestmatches[i]:#这个代码很清晰，bestmatches里面每一个数组列表里面存的就是rowid
                    for m in range(len(rows[rowid])):
                        avgs[m]+=rows[rowid][m]#把存在于rowid的行和m列的数都取出来加起来，最后求平均值
                for j in range(len(avgs)):#其实这里就是求一个平均的数值。
                    avgs[j]/=len(bestmatches[i])#bestmatches[i]是一个聚类，一个聚类里有多少rowid，就除以多少个rowid，就形成了平均。
                clusters[i]=avgs


    return bestmatches

执行代码：

blognames,words,data=readfile('blogdata.txt')
kclust=kcluster(data,k=10)
print [blognames[r] for r in kclust[0]]

结果如下：

我只打印了聚类中的第一个类的结果。

>>> 
Iteration 0
Iteration 1
Iteration 2
Iteration 3
Iteration 4
Iteration 5
Iteration 6
['Hot Air', 'Talking Points Memo: by Joshua Micah Marshall', 'Andrew Sullivan | The Daily Dish', "Captain's Quarters", 'Power Line', 'The Blotter', 'Crooks and Liars', 'Think Progress', 'NewsBusters.org - Exposing Liberal Media Bias']
>>> 

很有意思的是：我发现每次结果都不一样。那这必然是因为初始随机点产生的不同的原因吧。

对项目的启示

这是一个纯粹对算法的学习，从聚类对项目的帮助来说，我已经在前两篇博客里谈的太多了，这里就不重复了。

需要记住，这个聚类产生的计算速度更快，而且可以确定产生多少个种类。这非常重要。到时在优化速度的时候必然有很大的帮助

全部源代码

# -*- coding: cp936 -*-
def readfile(filename):
    lines=[line for line in file(filename)]

    #第一行是列标题，也就是被统计的单词是哪些
    colnames=lines[0].strip().split('\t')[1:]#之所以从1开始，是因为第0列是用来放置博客名了
    rownames=[]
    data=[]
    for line in lines[1:]:#第一列是单词，但二列开始才是对不同的单词的计数
        p=line.strip().split('\t')
        #每行都是的第一列都是行名
        rownames.append(p[0])
        #剩余部分就是该行对应的数据
        data.append([float(x) for x in p[1:]])#data是一个列表，这个列表里每一个元素都是一个列表，每一列表的元素就是对应了colnames[]里面的单词
    return rownames,colnames,data


from math import sqrt
def pearson(v1,v2):
    #先求和
    sum1=sum(v1)
    sum2=sum(v2)

    #求平方和
    sum1Sq=sum([pow(v,2) for v in v1])
    sum2Sq=sum([pow(v,2) for v in v2])

    #求乘积之和
    pSum=sum([v1[i]*v2[i] for i in range(len(v1))])

    #计算pearson相关系数
    num=pSum-(sum1*sum2/len(v1))
    den=sqrt((sum1Sq-pow(sum1,2)/len(v1))*(sum2Sq-pow(sum2,2)/len(v1)))
    if den==0:return 0

    return 1.0-num/den#因为在本题中，我们想要相似度也大的两个元素的距离越近，所以才用1去减它们



import random

def kcluster(rows,distance=pearson,k=4):
    #收集每一行的最大值和最小值
    ranges=[(min([row[i] for row in rows]),max([row[i] for row in rows])) for i in range(len(rows[0]))]
    

    #创建k个聚类点，第一次是随机的,数组列表里面再装了一个数组列表，外层数据列表有4个元素，内层数据列表有和单词数一样多个。
    #内层数组列表的每一个数值就是最大值到最小值之间的一个数，表示这个聚类点与其他数据点之间的...差距吧，因为如果两者数值一样，那么就离得很近
    #刚开始这个数值是每一行都加入了，后来将聚类点新的位置的时候，只有这个属于这个类的元素点才算进去，求平均了 
    clusters=[[random.random()*(ranges[i][1]-ranges[i][0])+ranges[i][0] for i in range(len(rows[0]))] for j in range(k)]
    
    lastmatches=None
    for t in range(100):#迭代次数，这里写的是100次
        print 'Iteration %d' % t
        bestmatches=[[]for i in range(k)]#一个列表数组里面再装一个列表数组
        
        #在每一行中寻找距离最近的中心点
        for j in range(len(rows)):#那得博客的数量，也就是对每一个博客
            row=rows[j]#从0开始，没问题，这里拿到第一个博客的词频，因为博客名和单词都不在这个data数据集里面,这里是一行一行的拿数据
            bestmatch=0#没有加s，与上一个不同.假设与第0个聚类点最近
            for i in range(k):#循环4次
                d=distance(clusters[i],row)#计算聚类点和数据之间的距离
                if d0:#说明分类里面有元素
                for rowid in bestmatches[i]:#这个代码很清晰，bestmatches里面每一个数组列表里面存的就是rowid
                    for m in range(len(rows[rowid])):
                        avgs[m]+=rows[rowid][m]#把存在于rowid的行和m列的数都取出来加起来，最后求平均值
                for j in range(len(avgs)):#其实这里就是求一个平均的数值。
                    avgs[j]/=len(bestmatches[i])#bestmatches[i]是一个聚类，一个聚类里有多少rowid，就除以多少个rowid，就形成了平均。
                clusters[i]=avgs

    return bestmatches

blognames,words,data=readfile('blogdata.txt')
kclust=kcluster(data,k=10)
print [blognames[r] for r in kclust[0]]
                    
                
            
        

代码、数据已传至网盘：

My_K_MeansClustering.py
blogdata.txt