如何利用python的KMeans和PCA包實現(xiàn)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(chuàng)新互聯(lián)成立于2013年,先為雙牌等服務建站,雙牌等地企業(yè),進行企業(yè)商務咨詢服務。為雙牌企業(yè)網(wǎng)站制作PC+手機+微官網(wǎng)三網(wǎng)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(shù)據(jù)(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(shù)據(jù)進行降維,然后畫圖展示出聚類效果。通過調(diào)節(jié)聚類算法的參數(shù),來觀察聚類效果的變化,練習調(diào)參。
數(shù)據(jù)介紹: 選取某一個駕駛員的經(jīng)過處理的數(shù)據(jù)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(tǒng)計各個類別的數(shù)目
(2)找出聚類中心
(3)將每條數(shù)據(jù)聚成的類別(該列命名為jllable )和原始數(shù)據(jù)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(shù)據(jù)的特征的維度降至2維,并輸出降維后的數(shù)據(jù),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(xiàn)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 |
|
運行結果如下:
##各個類別的數(shù)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(nèi)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(chuàng)新互聯(lián)-成都網(wǎng)站建設公司行業(yè)資訊頻道,感謝您對創(chuàng)新互聯(lián)的支持。
分享名稱:如何利用python的KMeans和PCA包實現(xiàn)聚類算法-創(chuàng)新互聯(lián)
文章出自:http://muchs.cn/article34/cdipse.html
成都網(wǎng)站建設公司_創(chuàng)新互聯(lián),為您提供建站公司、服務器托管、網(wǎng)站收錄、企業(yè)網(wǎng)站制作、微信公眾號、網(wǎng)站策劃
聲明:本網(wǎng)站發(fā)布的內(nèi)容(圖片、視頻和文字)以用戶投稿、用戶轉載內(nèi)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(wǎng)站立場,如需處理請聯(lián)系客服。電話:028-86922220;郵箱:631063699@qq.com。內(nèi)容未經(jīng)允許不得轉載,或轉載時需注明來源: 創(chuàng)新互聯(lián)
猜你還喜歡下面的內(nèi)容