2.3. K均值聚类(KMeans Analysis)实战(基础)

2.3.1. 一些准备工作

接下来，请你确保你的Python环境中有pandas、matplotlib、scikit-learn和numpy这几个包，如果没有，请在终端输入指令以下载和安装：

pip install pandas matplotlib scikit-learn numpy

我把.csv数据文件放在GitCode上了，点击链接即可下载。

训练数据有3栏：x1, x2和label，x1和x2是两个输入变量，label是标签(0,1,2其中一个)，这些数据会用来训练KMeans模型（当然不会给它label信息），数据最后会被分为3个簇，每个簇都有自己的label值。

下载好后把它移到你的Python项目文件夹里即可。

2.3.2. 写代码

Step 1: 读取数据

一样的使用pandas库来读取csv文件，顺便使用head方法来查看一下数据的前几项：

# 读取数据  
import pandas as pd  
data = pd.read_csv('KMeans_Data.csv')  
  
print(data.head())

输出：

         x1        x2  label
0  2.496714  2.926178      0
1  1.861736  3.909417      0
2  2.647689  0.601432      0
3  3.523030  2.562969      0
4  1.765847  1.349357      0

我们还可以使用 1.8. 逻辑回归实战(基础) 中教过的画有分类的散点图方法来直观的看看数据：

# 可视化数据  
import matplotlib.pyplot as plt  
x1 = data.loc[:,"x1"]  
x2 = data.loc[:,"x2"]  
label = data.loc[:,"label"]  
  
class0 = (label == 0)  
class1 = (label == 1)  
class2 = (label == 2)  
  
plt.scatter(x1[class0],x2[class0],c='r')  
plt.scatter(x1[class1],x2[class1],c='g')  
plt.scatter(x1[class2],x2[class2],c='b')  
plt.show()

图片输出：

Step 2: 给x和y赋值

我们要首先明确x和y代表什么：

• x代表输入变量，也就是x1和x2
• y是label这一栏的数据

# 给x和y赋值  
x = data.drop(['label'], axis=1)  
y = data.loc[:,'label']

• 使用drop函数丢弃指定的字段，保留其它字段。这里写的是'label'，那就丢弃它，axis=1告诉程序丢弃的是'label'这一列而不是行。

Step 3: 训练模型

把数据喂给scikit-learn下的KMeans模型进行训练即可：

# 训练模型  
from sklearn.cluster import KMeans  
kmeans = KMeans(n_clusters=3, random_state=0)  
kmeans.fit(x)

• KMeans有两个参数：
  • n_clusters决定最后归类为几个簇，我这里填的3最后就会归为3个簇
  • random_state=0的作用是保证 KMeans模型每次运行时生成的中心初始化相同（sklearn 默认的 init 是 'k-means++'，其中的随机性仍由 random_state 控制）
  • 如果你将 random_state 设置为其他值，例如random_state=42或random_state=1，算法逻辑不变，但初始中心可能不同，因此聚类结果也可能不同

Step 4: 获取聚类中心

通过cluster_centers_属性可以获得计算出的聚类中心：

# 获取聚类中心  
centers = kmeans.cluster_centers_  
print(centers)

输出：

[[8.10249937 8.0295763 ]
 [2.00635647 2.03776831]
 [1.98266327 8.03285096]]

Step 5: 可视化聚类中心

我们可以通过matplotlib来可视化聚类中心：

# 可视化聚类中心  
import matplotlib.pyplot as plt  
  
x1 = data.loc[:, "x1"]  
x2 = data.loc[:, "x2"]  
label = data.loc[:, "label"]  
  
plt.scatter(x1, x2)  
  
plt.scatter(centers[:, 0], centers[:, 1], c='k', marker='*', s=150)  
plt.show()

输出图片：

Step 6: 获取预测值

既然已经完成分类了，那么我们可以随便找一个点看KMeans模型会给它分到哪一类：

# 一个小测
y_predict = kmeans.predict([[10, 10]])  
print(y_predict)

输出：

[0]

KMeans给它分到了第0类，但是$(10,10)$是右上角的位置应该是label的第1类啊？为什么呢？

这是因为KMeans划分的0、1、2类与label的0、1、2类不一样。

KMeans模型本身不知道label，所以它的划分是随意的，虽然也会分为3类，但KMeans划分的0、1、2类不一定和label的0、1、2类一一对应。

在下一篇文章中我们会解决这个问题。