如何利用python的KMeans和PCA包實現聚類算法，很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。

成都創新互聯成立于2013年，先為雙牌等服務建站，雙牌等地企業，進行企業商務咨詢服務。為雙牌企業網站制作PC+手機+微官網三網同步一站式服務解決您的所有建站問題。

題目： 通過給出的駕駛員行為數據（trip.csv），對駕駛員不同時段的駕駛類型進行聚類,聚成普通駕駛類型，激進類型和超冷靜型3類 。 利用Python的scikit-learn包中的Kmeans算法進行聚類算法的應用練習。并利用scikit-learn包中的PCA算法來對聚類后的數據進行降維，然后畫圖展示出聚類效果。通過調節聚類算法的參數，來觀察聚類效果的變化，練習調參。

數據介紹： 選取某一個駕駛員的經過處理的數據集trip.csv，將該駕駛人的各個時間段的特征進行聚類。（注：其中的driver 和trip_no 不參與聚類）

字段介紹： driver ：駕駛員編號；trip_no：trip編號；v_avg：平均速度；v_var：速度的方差；a_avg：平均加速度；a_var：加速度的方差；r_avg：平均轉速；r_var：轉速的方差； v_a：速度level為a時的時間占比（同理v_b ， v_c ， v_d ）； a_a：加速度level為a時的時間占比（同理a_b, a_c）； r_a：轉速level為a時的時間占比（ r_b, r_c）

聚類算法要求：

（1）統計各個類別的數目

（2）找出聚類中心

（3）將每條數據聚成的類別（該列命名為jllable ）和原始數據集進行合并，形成新的dataframe，命名為new_df ，并輸出到本地，命名為new_df.csv。

降維算法要求：

（1）將用于聚類的數據的特征的維度降至2維，并輸出降維后的數據，形成一個dataframe名字new_pca

（2）畫圖來展示聚類效果（可用如下代碼）：

　import matplotlib.pyplot asplt

   d = new_pca[new_df['jllable'] == 0]

   plt.plot(d[0], d[1], 'r.')

   d = new_pca[new_df['jllable'] == 1]

   plt.plot(d[0], d[1], 'go')

   d = new_pca[new_df['jllable'] == 2]

   plt.plot(d[0], d[1], 'b*')

   plt.gcf().savefig('D:/workspace/python/Practice/ddsx/kmeans.png')

   plt.show()

python實現代碼如下：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

from sklearn.cluster import KMeans from sklearn.decomposition import PCA import pandas as pd import numpy as np import matplotlib.pyplot as plt   df=pd.read_csv('trip.csv', header=0, encoding='utf-8') df1=df.ix[:,2:] kmeans = KMeans(n_clusters=3, random_state=10).fit(df1) df1['jllable']=kmeans.labels_ df_count_type=df1.groupby('jllable').apply(np.size)     ##各個類別的數目 df_count_type ##聚類中心 kmeans.cluster_centers_ ##新的dataframe，命名為new_df ，并輸出到本地，命名為new_df.csv。 new_df=df1[:] new_df new_df.to_csv('new_df.csv')   ##將用于聚類的數據的特征的維度降至2維，并輸出降維后的數據，形成一個dataframe名字new_pca pca = PCA(n_components=2) new_pca = pd.DataFrame(pca.fit_transform(new_df))   ##可視化 d = new_pca[new_df['jllable'] == 0] plt.plot(d[0], d[1], 'r.') d = new_pca[new_df['jllable'] == 1] plt.plot(d[0], d[1], 'go') d = new_pca[new_df['jllable'] == 2] plt.plot(d[0], d[1], 'b*') plt.gcf().savefig('kmeans.png') plt.show()

運行結果如下:

   ##各個類別的數目

    ##聚類中心

    ##新的dataframe，命名為new_df ，并輸出到本地，命名為new_df.csv。

 

    ##可視化------kmeans.png

看完上述內容是否對您有幫助呢？如果還想對相關知識有進一步的了解或閱讀更多相關文章，請關注創新互聯-成都網站建設公司行業資訊頻道，感謝您對創新互聯的支持。

分享名稱：如何利用python的KMeans和PCA包實現聚類算法-創新互聯
文章出自：http://vcdvsql.cn/article34/cdipse.html

成都網站建設公司_創新互聯，為您提供建站公司、服務器托管、網站收錄、企業網站制作、微信公眾號、網站策劃

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯