Python学习1——K-means聚类

参考博文：

(7条消息) Python学习——K-means聚类_Yummy的博客-CSDN博客https://blog.csdn.net/qq_41938858/article/details/87738035我的配制

IDE:PyCharm

环境:Anaconda

Python包:sklearn、numpy、matplotlib

一、导入需要的Python包

1. 

K-means在sklearn.cluster中，用到K-means聚类时，我们只需：

from sklearn.cluster import KMeans

K-means在Python的三方库中的定义是这样的： 

 class sklearn.cluster.KMeans(n_clusters=8, init=’k-means++’, n_init=10, max_iter=300, tol=0.0001, precompute_distances=’auto’, verbose=0, random_state=None, copy_x=True, n_jobs=None, algorithm=’auto’)

各输入参数的含义
n_clusters : int, optional, default: 8
表示的是要生成的簇的数量，或者说聚类中心的数量。是个整型的数，默认值为8；
init : {‘k-means++’, ‘random’ or an ndarray}
表示的是对需要聚类的数据的初始化的方法，默认的方法是’k-means++’.
初始化的方法有三种：k-means++，random，或者是一个数组。
k-means++能智能的选择初始聚类中心进行k均值聚类，加快收敛速度。
random则是从数据中随机的选择k个观测值作为初始的聚类中心。
也可以传递给init一个数组作为初始化的聚类中心，则这个数组的结构应该是（n_clusters, n_features）。
n_init : int, default: 10
表示的是K-means算法选择聚类中心的次数，默认值为10。最终返回的是聚类中心最好的一次结果（好是指时间的长短）。
max_iter : int, default: 300
每次运行K-means算法的最大迭代次数，默认值为300.
tol : float, default: 1e-4
表示的相当于是迭代终止的精度要求，可以允许的误差，当满足这个精度，则聚类收敛，寻找到最优解，可以停止迭代，默认值为10-4。
precompute_distances : {‘auto’, True, False}
预先计算距离，在空间和时间上作出权衡。这样做会更快，但是会占用更多的内存，默认值为‘auto’。
‘auto’指如果n_samples * n_clusters > 12亿时，就不预先计算距离。这样就相当于使用双精度的每个作业大约需要100MB的内存。
‘True’指总是预先计算距离。
‘False’指不预先计算距离。
verbose : int, default 0
是否输出详细信息，默认值为0。
random_state : int, RandomState instance or None (default)
确定聚类中心初始化的随机数生成。使用一个整型的数是的随机性具有确定性，默认值为None。
copy_x : boolean, optional
bool 在scikit-learn 很多接口中都会有这个参数的，就是是否对输入数据继续copy 操作，以便不修改用户的输入数据，默认值为True。为True时，是不修改原始数据，确保X是C-contiguous，聚类后不修改原始数据。为False时，则修改原始数据，在函数返回之前将修改后的放回X，但通过减去再加上数据均值，可能会引入较小的数值差异，在这种情况下，也不能保证数据是C-contiguous，可能会使速度明显的下降。
n_jobs : int or None, optional (default=None)
使用进程的数量，与电脑CPU有关。默认值为None。
algorithm : “auto”, “full” or “elkan”, default=“auto”
K-means算法所用到的，“full”指经典的EM-style算法；“elkan”通过使用三角不等式，所以更高效，但目前不支持稀疏的数据；“auto”则在数据密集时，选择“elkan”，在数据稀疏时，选择“full”。

函数返回值
**cluster_centers_：**聚类中心的坐标。
如果算法还未完全收敛就停止，则将与labels_不一致。
**labels_：**每个点的标签。
**inertia_：**样本到聚类中心的平方和。
**n_iter_：**迭代运行的次数。

方法

函数	功能
fit(X[, y, sample_weight])	计算K-means聚类
fit_predict(X[, y, sample_weight])	计算每个样本的集群中心并预测簇索引
fit_transform(X[, y, sample_weight])	计算聚类并将X变换为聚类距离空间。
get_params([deep])	获取此估计函数的参数。
predict(X[, sample_weight])	预测X中每个样本所属的最近簇。
score(X[, y, sample_weight])	与k -均值目标上的X值相反。
set_params(**params)	设置此估计函数的参数。
transform(X)	将X变换为一个簇距空间

2.NumPy

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。学习参考链接：
NumPy 教程 | 菜鸟教程 (runoob.com)https://www.runoob.com/numpy/numpy-tutorial.html

 3.matplotlib

可能是 Python 2D-绘图领域使用最广泛的套件。它能让使用者很轻松地将数据图形化，并且提供多样化的输出格式。学习参考链接：
Matplotlib 教程 | 菜鸟教程 (runoob.com)https://www.runoob.com/w3cnote/matplotlib-tutorial.html

 二、实验代码

因为是刚开始学习，所以还是引用了第一篇博文的代码，但根据自身情况进行了详细的注释。

1.

from sklearn.cluster import KMeans #从sklearn.cluster包中导入KMeans模块
import numpy as np #导入numpy模块，后续只能通过np来引用

# 构造数据样本点集X，并计算K-means聚类
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])#创建一个数组
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)#生成两个簇，.fit用训练集数据拟合模型

# 输出及聚类后的每个样本点的标签（即类别），预测新的样本点所属类别
print(kmeans.labels_)
print(kmeans.predict([[0, 0], [4, 4], [2, 1]]))#.predict对新数据预测

输出结果为：

[0 0 0 1 1 1]
[0 1 0]

2.

import time
import numpy as np
import matplotlib.pyplot as plt

from sklearn.cluster import KMeans
#pairwise_distances_argmin计算一个点和一组点之间的最小距离
from sklearn.metrics.pairwise import pairwise_distances_argmin
#make_blobs产生聚类数据集
from sklearn.datasets._samples_generator import make_blobs

# ######################################
# Generate sample data
np.random.seed(0)

batch_size = 45
centers = [[1, 1], [-1, -1], [1, -1]]
n_clusters = len(centers)
#make_blobs:样本点个数3000，产生数据的中心端为centers，每个类别的方差0.7，返回X数组、标签 
X, labels_true = make_blobs(n_samples=3000, centers=centers, cluster_std=0.7)

# plot result
#画图尺寸8*3英寸
fig = plt.figure(figsize=(8,3))
#子图的左侧、右侧、下方、上方位置
fig.subplots_adjust(left=0.02, right=0.98, bottom=0.05, top=0.9)
colors = ['#4EACC5', '#FF9C34', '#4E9A06']

# original data
#子图：一行两列的第一个
ax = fig.add_subplot(1,2,1)
#数组的维数
row, _ = np.shape(X)
#画子图
for i in range(row):
    ax.plot(X[i, 0], X[i, 1], '#4EACC5', marker='.')
#标题
ax.set_title('Original Data')
ax.set_xticks(())
ax.set_yticks(())

# compute clustering with K-Means
#自定义初始聚类中心：k-means++是k-means的增强版，它初始选取的聚类中心点尽可能的分散开来，这样可以有效减少迭代次数，加快运算速度
#生成的簇的数量3
#选择聚类中心的次数10
k_means = KMeans(init='k-means++', n_clusters=3, n_init=10)
#返回当前时间的时间戳
t0 = time.time()
#训练集
k_means.fit(X)
#训练时间
t_batch = time.time() - t0
#按列对聚类中心递增排序
k_means_cluster_centers = np.sort(k_means.cluster_centers_, axis=0)
#计算一个点与一组点之间的最小距离。
k_means_labels = pairwise_distances_argmin(X, k_means_cluster_centers)

# K-means
#子图：一行两列的第二个
ax = fig.add_subplot(1, 2, 2)
#函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表
#分质心画图
for k, col in zip(range(n_clusters), colors):
    my_members = k_means_labels == k		# my_members是布尔型的数组（用于筛选同类的点，用不同颜色表示）
    cluster_center = k_means_cluster_centers[k]
    ax.plot(X[my_members, 0], X[my_members, 1], 'w',
            markerfacecolor=col, marker='.')	# 将同一类的点表示出来
    ax.plot(cluster_center[0], cluster_center[1], 'o', markerfacecolor=col,
            markeredgecolor='k', marker='o')	# 将聚类中心单独表示出来
ax.set_title('KMeans')
ax.set_xticks(())
ax.set_yticks(())
#向(-3.5, 1.8)位置添加文本
plt.text(-3.5, 1.8, 'train time: %.2fs\ninertia: %f' % (t_batch, k_means.inertia_))
#显示所有打开的图形
plt.show()

输出结果：