【人工智能】—基于K-Means算法商场顾客聚类实战教程

花花 Show Python 2024-07-09 11:01:05 阅读 76

在这篇博文之前一直是给大家做机器学习有监督学习教程,今天来一篇无监督学习教程。

K-Means算法是一种基于中心的聚类方法,它试图找到数据点的K个簇,使得簇内的数据点尽可能相似,而簇间的数据点尽可能不同。下面是K-Means算法的详细解释和步骤:

算法原理:

K-Means算法基于最小化簇内误差平方和(Within-Cluster Sum of Squares, WCSS)来划分簇。簇内误差平方和是簇内所有点到簇中心的距离平方的总和。算法的目标是最小化所有簇的WCSS。

算法步骤:

初始化:选择K个数据点作为初始的簇中心。这些点可以是随机选择的,也可以通过更智能的方法选择,如K-Means++算法。分配:将每个数据点分配到最近的簇中心,形成K个簇。这一步中,每个数据点根据其与簇中心的距离被分配到最近的簇。更新簇中心:重新计算每个簇的中心点。簇中心是该簇内所有数据点的均值(或中位数,取决于距离度量方式)。迭代:重复步骤2和3,直到满足以下任一条件:

(1)簇中心的位置变化非常小,即算法收敛。

(2)达到预设的最大迭代次数。结束:当簇中心不再显著变化或达到最大迭代次数时,算法结束,此时的簇划分被认为是最终结果。

算法细节:

距离度量:K-Means通常使用欧几里得距离来衡量数据点之间的相似性,但也可以根据不同的应用场景使用曼哈顿距离、闵可夫斯基距离等。选择K值:K值的选择通常依赖于领域知识或通过肘部法则(Elbow

Method)等方法来确定。肘部法则通过观察不同K值对应的WCSS,选择WCSS下降速率骤减的点作为K值。初始簇中心选择:初始簇中心的选择对算法的收敛性和最终结果有很大影响。K-Means++是一种改进的初始化方法,它通过概率方式选择初始簇中心,以减少陷入局部最优解的风险。算法变体:K-Means算法有多种变体,如K-Medoids算法,它使用实际数据点作为簇中心,而不是计算出的均值,这在处理离群点时更为稳健。

应用场景:

K-Means算法在多个领域都有应用,包括但不限于:

图像处理:用于图像分割,将图像划分为不同的区域。文本分析:用于文本聚类,将相似的文档分到同一个簇。生物信息学:用于基因表达数据的分析,识别具有相似表达模式的基因。市场分析:用于客户细分,识别具有相似购买行为的客户群体。

局限性:

对噪声敏感:K-Means对异常值和噪声较为敏感,可能会影响簇中心的计算和最终的聚类结果。对初始条件敏感:算法可能会收敛到局部最优解,而不是全局最优解。不适合非球形簇:K-Means假设簇是凸形的,对于非球形或有复杂形状的簇,聚类效果可能不佳。

数据集情况

通过超市商场会员卡,获取客户的基本数据,该数据集仅用于学习客户细分概念,也称为市场篮子分析来源kaggle(数据已云游至上方王母娘娘蟠桃园,免费摘取)。

数据集概述:

来源:Kaggle平台目的:用于商场顾客细分的数据分析,旨在帮助商场更深入地了解顾客群体,以制定更精准的营销策略和服务。数据规模:包含200条数据记录,共5个字段(变量)。

数据字段:

客户ID(CustomerID):唯一标识每个客户的编号。性别(Gender):客户的性别,分为’Male’和’Female’两类。年龄(Age):客户的年龄,以整数形式表示。年收入(AnnualIncome):客户的年收入,以千美元为单位(k$)。支出分数(SpendingScore):商场根据客户的消费行为和购买数据分配的分数,范围为1-100。

应用场景:

顾客细分:通过数据分析,可以将顾客细分为不同的群体,如高收入高消费群体、年轻消费群体等。营销策略制定:基于顾客细分的结果,商场可以制定有针对性的营销策略,如针对高收入群体推出高端商品或服务,针对年轻群体推出时尚或潮流商品。用户画像构建:通过对数据的深入挖掘,可以构建出详细的用户画像,帮助商场更全面地了解顾客的需求和偏好。

初步分析:

导入数据:

<code>import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

import plotly as py

import plotly.graph_objs as go

from sklearn.cluster import KMeans

import warnings

import os

warnings.filterwarnings("ignore")

plt.rcParams ['font.sans-serif'] ='SimHei' #显示中文

plt.rcParams ['axes.unicode_minus']=False #显示负号

df = pd.read_csv('Mall_Customers.csv')

df.head()

在这里插入图片描述

描述性统计:

在这里插入图片描述

在这里插入图片描述

描述性统计的意思就是我不想打字,自己看了:)

<code># 使用'fivethirtyeight'样式来设置绘图的主题和样式,这个样式常用于《五三八》(FiveThirtyEight)网站的图表风格

plt.style.use('fivethirtyeight')

# 创建一个图形窗口,并设置其编号(虽然在这里编号并不关键,因为只有一个窗口)和大小(宽度为15英寸,高度为6英寸)

plt.figure(1, figsize=(15, 6))

# 初始化一个计数器,用于后面的subplot布局

n = 0

# 对数据集中的'Age'、'Annual Income (k$)'和'Spending Score (1-100)'这三个字段进行迭代

for x in ['Age', 'Annual Income (k$)', 'Spending Score (1-100)']:

# 每次迭代,计数器n加1

n += 1

# 创建一个子图(subplot),在1行3列的布局中,这是第n个子图

# 第一个参数是子图的行数,第二个参数是列数,第三个参数是当前子图的编号(从1开始)

plt.subplot(1, 3, n)

# 调整子图之间的水平和垂直间距,使得子图之间不会过于拥挤或过于疏远

plt.subplots_adjust(hspace=0.5, wspace=0.5)

# 使用seaborn库的distplot函数绘制df[x]列的分布图,bins参数指定了分布的条形数量

# 这里假设df是一个pandas DataFrame,且包含了'Age'、'Annual Income (k$)'和'Spending Score (1-100)'这三个字段

sns.distplot(df[x], bins=20)

# 设置当前子图的标题,格式为"Distplot of 字段名"

plt.title('Distplot of {}'.format(x))

# 显示所有子图

plt.show()

绘制年龄、年收入、支出分数直方图:

在这里插入图片描述

<code># 创建一个新的图形窗口,编号为1,并设置其大小为宽度15英寸,高度5英寸

plt.figure(1, figsize=(15, 5))

# 使用seaborn库中的countplot函数绘制一个条形图

# 其中,y参数指定了用于分类的列名(在这里是'Gender'),即条形图的分类标签

# data参数指定了数据源,即包含数据的pandas DataFrame(在这里是df)

sns.countplot(y='Gender', data=df) code>

# 显示图形窗口中的所有图形

plt.show()

绘制性别计数图:

在这里插入图片描述

<code># 创建一个新的图形窗口,编号为1,并设置其大小为宽度15英寸,高度7英寸

plt.figure(1, figsize=(15, 7))

# 初始化一个计数器,用于后面的subplot布局

n = 0

# 遍历'Age'、'Annual Income (k$)'和'Spending Score (1-100)'这三个字段,作为x轴和y轴的可能选择

for x in ['Age' , 'Annual Income (k$)' , 'Spending Score (1-100)']:

for y in ['Age' , 'Annual Income (k$)' , 'Spending Score (1-100)']:

# 每次循环,计数器n加1

n += 1

# 创建一个子图(subplot),在3行3列的布局中,这是第n个子图

# 注意:这里会生成9个子图(3x3),但其中很多可能是重复的或没有意义的(例如x和y都是'Age')

plt.subplot(3, 3, n)

# 调整子图之间的水平和垂直间距

plt.subplots_adjust(hspace=0.5, wspace=0.5)

# 使用seaborn的regplot函数绘制x和y之间的回归线及其置信区间

# data参数指定了数据源,即包含数据的pandas DataFrame(在这里是df)

sns.regplot(x=x, y=y, data=df)

# 设置y轴的标签

# 如果y是一个包含空格的字符串(例如'Annual Income (k$)'),则使用split()方法将其分割为两部分,并重新组合以作为标签

# 如果y只包含一个词(例如'Age'),则直接使用y作为标签

plt.ylabel(y.split()[0]+' '+y.split()[1] if len(y.split()) > 1 else y)

# 显示所有子图

plt.show()

绘制年龄、年收入和支出得分之间的关系图:

在这里插入图片描述

<code># 创建一个新的图形窗口,编号为1,并设置其大小为宽度15英寸,高度6英寸

plt.figure(1, figsize=(15, 6))

# 遍历'Male'和'Female'两个性别

for gender in ['Male', 'Female']:

# 使用scatter函数绘制散点图

# x参数指定了x轴的数据列名,这里是'Age'

# y参数指定了y轴的数据列名,这里是'Annual Income (k$)'

# data参数指定了数据源,这里是从df中筛选出'Gender'列等于当前循环中gender的数据子集

# s参数指定了散点的大小,这里是200

# alpha参数指定了散点的透明度,这里是0.5,意味着散点会有一定的重叠效果

# label参数为散点设置了标签,用于在图例中显示

plt.scatter(x='Age', y='Annual Income (k$)', data=df[df['Gender'] == gender], code>

s=200, alpha=0.5, label=gender)

# 设置x轴的标签为'Age'

plt.xlabel('Age')

# 设置y轴的标签为'Annual Income (k$)'

plt.ylabel('Annual Income (k$)')

# 设置图形的标题为'Age vs Annual Income w.r.t Gender'

plt.title('Age vs Annual Income w.r.t Gender')

# 显示图例,图例中的标签来源于前面scatter函数中设置的label参数

plt.legend()

# 显示图形窗口中的所有图形

plt.show()

绘制年龄与性别(男和女)的散点关系图:

在这里插入图片描述

<code># 创建一个新的图形窗口,编号为1,并设置其大小为宽度15英寸,高度6英寸

plt.figure(1, figsize=(15, 6))

# 遍历'Male'和'Female'两个性别

for gender in ['Male', 'Female']:

# 使用scatter函数绘制散点图

# x参数指定了x轴的数据列名,这里是'Annual Income (k$)'

# y参数指定了y轴的数据列名,这里是'Spending Score (1-100)'

# data参数指定了数据源,这里是从df中筛选出'Gender'列等于当前循环中gender的数据子集

# s参数指定了散点的大小,这里是200

# alpha参数指定了散点的透明度,这里是0.5,意味着散点会有一定的重叠效果

# label参数为散点设置了标签,用于在图例中显示

plt.scatter(x='Annual Income (k$)', y='Spending Score (1-100)', code>

data=df[df['Gender'] == gender], s=200, alpha=0.5, label=gender)

# 设置x轴的标签为'Annual Income (k$)'

plt.xlabel('Annual Income (k$)')

# 注意:这里使用了逗号来将两个函数调用分隔开,但这不是必要的。可以单独调用plt.ylabel

# 设置y轴的标签为'Spending Score (1-100)'

plt.ylabel('Spending Score (1-100)')

# 设置图形的标题为'Annual Income vs Spending Score w.r.t Gender'

plt.title('Annual Income vs Spending Score w.r.t Gender')

# 显示图例,图例中的标签来源于前面scatter函数中设置的label参数

plt.legend()

# 显示图形窗口中的所有图形

plt.show()

绘制年收入、支出分数的性别(男和女)散点关系图:

在这里插入图片描述

<code># 创建一个新的图形窗口,编号为1,并设置其大小为15x7英寸

plt.figure(1 , figsize = (15 , 7))

# 初始化一个计数器n,用于跟踪子图的编号

n = 0

# 遍历列名列表,这些列是我们希望根据性别来绘制小提琴图和蜂群图的特征

for cols in ['Age' , 'Annual Income (k$)' , 'Spending Score (1-100)']:

# 每次循环,n增加1,以便在子图中定位

n += 1

# 使用subplot创建一个子图,1行3列,当前是第n个子图

plt.subplot(1 , 3 , n)

# 调整子图之间的水平和垂直间距,使图形之间有足够的空间

plt.subplots_adjust(hspace = 0.5 , wspace = 0.5)

# 使用seaborn的violinplot函数绘制小提琴图,小提琴图展示了数据的分布

# x轴是列名cols对应的值,y轴是'Gender'列的值,数据来自df

# palette参数设置了小提琴图的颜色方案

sns.violinplot(x = cols , y = 'Gender' , data = df , palette = 'vlag')

# 使用seaborn的swarmplot函数绘制蜂群图,蜂群图展示了每个数据点的位置

# x轴和y轴与小提琴图相同,数据也来自df

sns.swarmplot(x = cols , y = 'Gender' , data = df)

# 如果这是第一个子图,则设置y轴的标签为'Gender',否则不设置

plt.ylabel('Gender' if n == 1 else '')

# 如果这是第二个子图,则设置标题为'Boxplots & Swarmplots',否则不设置

# 注意:虽然标题中提到了Boxplots,但实际上并没有绘制箱线图

plt.title('Boxplots & Swarmplots' if n == 2 else '')

# 显示图形

plt.show()

绘制年龄、年收入、支出分数的性别(男和女)小提琴图:

在这里插入图片描述

**小提琴图(Violin Plot)**是一种用于展示数据分布的图形,它结合了箱线图(Box Plot)和密度图(Density Plot)的特点。小提琴图提供了数据的多种统计信息,包括数据的分布、密度、中位数、四分位数以及异常值等。以下是小提琴图的一些关键特点和组成部分:

形状:小提琴图的主体部分是曲线,形状像小提琴的侧面,因此得名。曲线的宽度表示数据点的密度,即在该范围内数据点的数量。箱线图部分:在小提琴图的中心,通常会有一个箱线图,显示数据的中位数、四分位数和异常值。这与标准的箱线图相同。数据分布:小提琴图的曲线部分显示了数据的密度分布。曲线越宽,表示在该区间内数据点越密集。颜色:小提琴图可以使用颜色来表示数据的密度,颜色越深表示密度越高。多组数据对比:小提琴图非常适合用于展示和比较多组数据的分布情况。例如,可以在同一张图上展示不同条件下的数据分布,通过比较小提琴图的形状和大小来直观地看出不同组数据的差异。适用场景:小提琴图适用于展示连续数据的分布情况,尤其是当数据集较大,需要同时展示多个维度的数据时。局限性:由于小提琴图包含了大量的信息,对于初学者来说可能不太容易解读。此外,当数据集中包含多个峰值或多个模式时,小提琴图可能不如其他图形(如直方图)直观。

<code># 注释:从df中选取'Age'和'Spending Score (1-100)'两列,

# 并将其转换为numpy数组(因为KMeans需要数值型数组作为输入)

# .iloc[: , :] 是一个冗余的索引,因为这里它选择了所有的行和列(但在这个上下文中,它仍然是有效的)

X1 = df[['Age' , 'Spending Score (1-100)']].iloc[: , :].values

# 注释:初始化一个空列表,用于存储不同聚类数量下KMeans算法的惯性(inertia)值

# 惯性是KMeans算法的一个指标,表示所有样本到其最近质心的距离的平方和

inertia = []

# 注释:开始一个循环,从1到10(包含1但不包含11),用于测试不同的聚类数量

for n in range(1 , 11):

# 注释:在每次循环中,创建一个KMeans对象,设置n_clusters为当前循环的n值

# init='k-means++' 表示使用k-means++初始化质心 code>

# n_init=10 表示算法将运行10次,并返回最佳结果(基于惯性)

# max_iter=300 表示算法的最大迭代次数

# tol=0.0001 是收敛的容忍度,即当质心变化小于这个值时,算法将停止

# random_state=111 确保了每次运行的结果都是可重复的

# algorithm='elkan' 是一个加速KMeans算法的选项 code>

algorithm = (KMeans(n_clusters = n ,init='k-means++', n_init = 10 ,max_iter=300, code>

tol=0.0001, random_state= 111 , algorithm='elkan') ) code>

# 注释:使用当前KMeans对象对X1数据进行拟合,即进行聚类

algorithm.fit(X1)

# 注释:将KMeans算法拟合后的惯性值添加到inertia列表中

# 惯性值越小,通常表示聚类效果越好(但需要注意过拟合的可能性)

inertia.append(algorithm.inertia_)

这段代码的目的是通过计算不同聚类数量下的KMeans惯性值,来评估并找出最佳的聚类数量,从而优化KMeans聚类的效果。通常,惯性值越小表示聚类效果越好,但需避免过拟合。

# 创建一个新的图形窗口,编号为1,并设置其大小为15x6英寸

plt.figure(1, figsize=(15, 6))

# 绘制点图,横坐标是聚类数量的范围(从1到10),纵坐标是对应的惯性值

# 'o' 表示数据点将被绘制为圆圈

plt.plot(np.arange(1, 11), inertia, 'o')

# 绘制线图,与点图使用相同的横纵坐标数据

# '-' 表示线将被绘制为实线

# alpha=0.5 设置线的透明度为0.5,使其半透明,以便与点图区分

plt.plot(np.arange(1, 11), inertia, '-', alpha=0.5)

# 设置x轴的标签为'Number of Clusters',表示聚类数量

# 设置y轴的标签为'Inertia',表示惯性值

# plt.xlabel() 和 plt.ylabel() 函数返回None,但在这里我们使用逗号将它们组合在一行,这是一种常见的Python编程风格,用于在一行中执行多个操作

plt.xlabel('Number of Clusters'), plt.ylabel('Inertia')

# 显示图形

plt.show()

这段代码可视化KMeans聚类算法中不同聚类数量对应的惯性值,展示了KMeans聚类中聚类数量与惯性值之间的关系,帮助用户确定最佳的聚类数量。

KMeans聚类中聚类数量与惯性值之间的关系图:

在这里插入图片描述

<code># 创建一个KMeans算法对象

# 参数说明:

# n_clusters=4: 指定要形成的簇的数量为4

# init='k-means++': 使用k-means++算法来初始化质心 code>

# n_init=10: 算法将使用不同的质心初始化运行10次,并选择最佳结果(基于惯性)

# max_iter=300: 算法的最大迭代次数

# tol=0.0001: 收敛的容忍度,即当质心变化小于这个值时,算法将停止

# random_state=111: 随机数生成器的种子,确保结果的可重复性

# algorithm='elkan': 使用Elkan的K-Means算法,它使用三角形不等式来加速计算 code>

algorithm = (KMeans(n_clusters=4, init='k-means++', n_init=10, max_iter=300, code>

tol=0.0001, random_state=111, algorithm='elkan')) code>

# 使用KMeans算法对象对X1数据进行拟合,即进行聚类

# X1是一个包含'Age'和'Spending Score (1-100)'的二维numpy数组

algorithm.fit(X1)

# 获取每个数据点的聚类标签

# labels1是一个与X1数据点数量相同的数组,其中每个元素表示对应数据点所属的簇的编号(从0到n_clusters-1)

labels1 = algorithm.labels_

# 获取每个簇的质心

# centroids1是一个形状为(n_clusters, n_features)的二维数组

# 在这个例子中,由于n_clusters=4且n_features=2('Age'和'Spending Score'两列),所以centroids1的形状为(4, 2)

# 每一行代表一个簇的质心,包含两个值:该簇的平均'Age'和平均'Spending Score'

centroids1 = algorithm.cluster_centers_

以上代码创建了一个KMeans聚类算法对象,并设置了多个参数来指导聚类过程。其中,指定了簇的数量为4,并使用k-means++算法进行质心初始化,以增加聚类的稳定性和效率。算法将尝试10种不同的质心初始化,并选择其中惯性最小的结果作为最佳聚类。此外,还设置了最大迭代次数和收敛容忍度来控制算法的停止条件。使用指定的随机数种子确保了结果的可重复性。算法被应用于一个二维数据集X1,该数据集包含’Age’和’Spending Score’两个特征。聚类完成后,代码获取了每个数据点的聚类标签以及每个簇的质心。这些质心表示了每个簇中数据点的平均值,可以帮助理解各个簇的特征。

# 设置网格步长,这个值决定了网格的粒度或精细程度

h = 0.02

# 找到X1中第一列(即'Age'列)的最小值和最大值,并分别减去和加上1,以扩展网格的范围

# 这样做是为了确保所有的数据点都包含在网格内,尤其是在绘制边界时

x_min, x_max = X1[:, 0].min() - 1, X1[:, 0].max() + 1

# 找到X1中第二列(即'Spending Score (1-100)'列)的最小值和最大值,并分别减去和加上1

# 同样是为了扩展网格的范围

y_min, y_max = X1[:, 1].min() - 1, X1[:, 1].max() + 1

# 使用numpy的meshgrid函数在(x_min, x_max)和(y_min, y_max)之间创建一个二维网格

# np.arange(x_min, x_max, h) 和 np.arange(y_min, y_max, h) 分别生成x和y轴上的值

# meshgrid函数将这些一维数组转换为两个二维数组xx和yy,它们分别表示网格的x和y坐标

xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))

# 将xx和yy的二维数组平铺(ravel)为一维数组,并将它们沿着列方向(使用np.c_)合并成一个二维数组

# 这个二维数组的每一行代表网格上的一个点的坐标(x, y)

# 这是为了将网格上的点作为输入数据传递给KMeans算法的predict方法

Z = algorithm.predict(np.c_[xx.ravel(), yy.ravel()])

# 经过predict方法处理后,Z是一个一维数组,包含了网格上每个点所属的簇的编号

# 接下来,通常会将Z重新整形为与xx和yy相同的二维形状,以便在绘制图形时能够正确对应每个网格点所属的簇

# 这通常是通过Z = Z.reshape(xx.shape)来实现的,但您提供的代码段中没有这一步

以上代码的主要目的是在包含’Age’和’Spending Score (1-100)'特征的数据集X1的范围内创建一个二维网格,并使用先前训练的KMeans算法(algorithm)来预测这个网格上每个点所属的簇。首先,通过扩展数据集中这两个特征的最小值和最大值来定义网格的边界。然后,使用numpy的meshgrid函数创建了一个二维网格,该网格覆盖了由x_min到x_max和y_min到y_max定义的区域,网格的粒度由步长h控制。接着,将网格的x和y坐标合并成一个二维数组,作为输入数据传递给KMeans算法的predict方法,以获取每个网格点所属的簇的编号。最后,通常会将预测的簇编号重新整形为与网格相同的二维形状,以便在可视化时能够正确对应每个网格点所属的簇。

# 创建一个新的图形窗口,编号为1,并设置其大小为15x7英寸

plt.figure(1 , figsize = (15 , 7) )

# 清除当前图形窗口中的所有内容(如果存在的话),这确保我们从一个干净的画布开始

plt.clf()

# 将之前预测得到的Z数组(包含网格上每个点所属的簇编号)重新整形为与xx(网格的x坐标)相同的二维形状

Z = Z.reshape(xx.shape)

# 使用imshow函数绘制Z数组,即绘制出聚类结果

# interpolation='nearest':表示使用最近邻插值法来绘制图像 code>

# extent=(xx.min(), xx.max(), yy.min(), yy.max()):定义图像的范围

# cmap=plt.cm.Pastel2:选择颜色映射(这里选择了Pastel2颜色映射)

# aspect='auto':自动调整x和y轴的缩放比例 code>

# origin='lower':设置坐标原点在图像的左下角 code>

plt.imshow(Z , interpolation='nearest', code>

extent=(xx.min(), xx.max(), yy.min(), yy.max()),

cmap = plt.cm.Pastel2, aspect = 'auto', origin='lower')code>

# 绘制原始数据点,这里使用scatter函数

# x 和 y 参数通常应该是具体的数值,但这里使用了字符串'Age'和'Spending Score (1-100)'

# 这意味着我们要从DataFrame df中引用这些列。但是,为了保持一致性,我们最好直接使用列名对应的数值数组

# c=labels1:设置数据点的颜色,根据labels1中的簇编号进行着色

# s=200:设置数据点的大小为200

plt.scatter( x = 'Age' ,y = 'Spending Score (1-100)' , data = df , c = labels1 ,

s = 200 )

# 绘制聚类中心(质心)

# x 和 y 分别是质心的x和y坐标

# s=300:设置质心点的大小为300

# c='red':设置质心点的颜色为红色 code>

# alpha=0.5:设置质心点的透明度为0.5

plt.scatter(x = centroids1[: , 0] , y = centroids1[: , 1] , s = 300 , c = 'red' , alpha = 0.5)

# 设置y轴的标签为'Spending Score (1-100)'

# 设置x轴的标签为'Age'

# 使用逗号操作符将两个设置标签的操作放在一行中,这是一种常见的Python编程风格

plt.ylabel('Spending Score (1-100)') , plt.xlabel('Age')

plt.show()

年龄和支出分数的可视化KMeans聚类的结果:

在这里插入图片描述

后面会重复不同变量的聚类结果,由于时间有限,我就直接上代码和聚类的结果。

<code># 从df数据集中选择'Annual Income (k$)'和'Spending Score (1-100)'两列,并将其作为numpy数组赋值给X2

# iloc[: , :]表示选择所有的行和所有的列(这里其实是冗余的,但明确表明了意图)

X2 = df[['Annual Income (k$)' , 'Spending Score (1-100)']].iloc[: , :].values

# 初始化一个空列表inertia,用于存储不同聚类数量下的惯性值

inertia = []

# 遍历从1到10的整数,作为KMeans算法中可能的聚类数量n

for n in range(1 , 11):

# 创建一个KMeans对象,设置n_clusters为当前的n值,使用'k-means++'作为初始化方法

# 设置n_init为10,意味着会进行10次不同的初始化并选择最优结果

# max_iter设置为300,即算法的最大迭代次数

# tol设置为0.0001,即算法收敛的容忍度

# random_state设置为111,以确保结果的可复现性

# 使用'elkan'作为KMeans的加速算法

algorithm = (KMeans(n_clusters = n ,init='k-means++', n_init = 10 ,max_iter=300, code>

tol=0.0001, random_state= 111 , algorithm='elkan') ) code>

# 使用KMeans对象对X2进行拟合(即进行聚类)

algorithm.fit(X2)

# 将当前KMeans对象的惯性值(即聚类内部点到其质心的距离的平方和)添加到inertia列表中

inertia.append(algorithm.inertia_)

# 创建一个新的图形窗口,编号为1,并设置其大小为15x6英寸

plt.figure(1, figsize=(15, 6))

# 绘制散点图,其中x轴是np.arange(1, 11)(即从1到10的整数数组),y轴是之前计算得到的inertia(惯性值列表)

# 'o'表示使用圆圈作为数据点的标记

plt.plot(np.arange(1, 11), inertia, 'o')

# 在同一图形上再次绘制线条图,使用相同的x和y数据

# '-'表示使用实线连接数据点

# alpha=0.5设置线条的透明度为0.5,使其半透明

plt.plot(np.arange(1, 11), inertia, '-', alpha=0.5)

# 设置x轴的标签为'Number of Clusters'(簇的数量)

# 使用逗号操作符将两个操作放在同一行上,这是一种常见的Python编程风格

plt.xlabel('Number of Clusters'), plt.ylabel('Inertia')

# 显示图形

plt.show()

KMeans聚类中聚类数量与惯性值之间的关系图:

在这里插入图片描述

<code># 创建一个KMeans对象,设置其参数:

# n_clusters=5:表示要形成的簇的数量为5

# init='k-means++':使用'k-means++'作为初始化质心的方法 code>

# n_init=10:在给定n_clusters的情况下,进行10次KMeans算法的运行,并选择最佳结果(即惯性最小的结果)

# max_iter=300:KMeans算法的最大迭代次数为300

# tol=0.0001:KMeans算法收敛的容忍度,即当质心变化小于这个值时,算法停止迭代

# random_state=111:设置随机种子为111,以确保结果的可复现性

# algorithm='elkan':使用'elkan'算法,这是KMeans算法的一种优化版本,尤其在稀疏数据上表现更好 code>

algorithm = (KMeans(n_clusters = 5 ,init='k-means++', n_init = 10 ,max_iter=300, code>

tol=0.0001, random_state= 111 , algorithm='elkan') ) code>

# 使用前面定义的KMeans对象(algorithm)对X2(包含'Annual Income (k$)'和'Spending Score (1-100)'的数据)进行拟合,即进行聚类

algorithm.fit(X2)

# 从KMeans对象中获取每个数据点的簇标签,即每个数据点所属的簇的编号

# 这些标签是整数,从0开始,对应于簇的索引

labels2 = algorithm.labels_

# 从KMeans对象中获取每个簇的质心(即中心点)的坐标

# 这是一个二维数组,其中每一行代表一个簇的质心,列对应于数据集中的特征(这里是'Annual Income (k$)'和'Spending Score (1-100)')

centroids2 = algorithm.cluster_centers_

# 设置网格步长,即网格中相邻两个点之间的间隔。这里设置为0.02,表示网格的精细度。

h = 0.02

# 找出数据集X2中第一列(即'Annual Income (k$)')的最小值和最大值,并分别减1和加1来扩展网格的边界,以确保所有数据点都被包含在内。

x_min, x_max = X2[:, 0].min() - 1, X2[:, 0].max() + 1

# 同理,找出数据集X2中第二列(即'Spending Score (1-100)')的最小值和最大值,并分别减1和加1来扩展网格的边界。

y_min, y_max = X2[:, 1].min() - 1, X2[:, 1].max() + 1

# 使用numpy的meshgrid函数生成一个二维网格。其中,np.arange(x_min, x_max, h)和np.arange(y_min, y_max, h)分别生成x和y轴上的点。

# meshgrid函数将这两个一维数组转换为两个二维数组xx和yy,它们表示网格上的所有点的坐标。

xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))

# 将xx和yy的二维数组展平(ravel)成一维数组,并使用np.c_将它们组合成一个二维数组,其中每一行代表网格上的一个点('Annual Income (k$)'和'Spending Score (1-100)'的坐标)。

# 然后,使用KMeans对象(algorithm)的predict方法预测这些点所属的簇。

# Z2将是一个一维数组,其中包含了网格上每个点所属的簇的标签。

Z2 = algorithm.predict(np.c_[xx.ravel(), yy.ravel()])

# 创建一个新的图形窗口,编号为1,并设置其大小为15x7英寸

plt.figure(1 , figsize = (15 , 7) )

# 清除当前图形窗口的内容(如果有的话),确保在干净的画布上绘图

plt.clf()

# 由于Z2原本是一维数组,它包含了每个网格点所属的簇的标签。我们需要将其重新整形为与xx相同的形状,

# 以便可以使用imshow来绘制聚类结果。

Z2 = Z2.reshape(xx.shape)

# 使用imshow函数绘制Z2数组,即聚类结果。interpolation='nearest'表示使用最近邻插值法。 code>

# extent参数定义了图像在x和y轴上的扩展范围,与xx和yy的边界对应。

# cmap=plt.cm.Pastel2设置了颜色映射,这里使用了Pastel2配色方案。

# aspect='auto'允许自动调整x和y轴的比例,以保持数据的真实比例。 code>

# origin='lower'表示图像的原点在左下角。 code>

plt.imshow(Z2 , interpolation='nearest', code>

extent=(xx.min(), xx.max(), yy.min(), yy.max()),

cmap = plt.cm.Pastel2, aspect = 'auto', origin='lower')code>

# 绘制原始数据点。这里不能直接使用字符串'Annual Income (k$)'和'Spending Score (1-100)'作为x和y的值,

# 而是应该从数据框df中提取这些列的实际值。c=labels2表示使用labels2数组中的值来为数据点着色,

# s=200设置了数据点的大小。

plt.scatter( x = 'Annual Income (k$)' ,y = 'Spending Score (1-100)' , data = df , c = labels2 ,

s = 200 )

# 绘制聚类中心(质心)。x和y分别使用centroids2数组的第一列和第二列的值。

# s=300设置了质心点的大小,c='red'表示质心点用红色绘制,alpha=0.5设置了点的透明度。 code>

plt.scatter(x = centroids2[: , 0] , y = centroids2[: , 1] , s = 300 , c = 'red' , alpha = 0.5)

# 设置y轴的标签为'Spending Score (1-100)',设置x轴的标签为'Annual Income (k$)'。

# 注意这里使用逗号分隔了两个函数调用,是Python中一种常见的在一行内写多个语句的方式。

plt.ylabel('Spending Score (1-100)') , plt.xlabel('Annual Income (k$)')

plt.show()

年收入和支出分数的可视化KMeans聚类的结果:

在这里插入图片描述

<code># 注意:iloc[: , :]在这里是多余的,因为它实际上选择了所有的行和列,但在这里它不会造成错误。

X3 = df[['Age', 'Annual Income (k$)', 'Spending Score (1-100)']].iloc[:, :].values

# 创建一个空列表,用于存储每次KMeans聚类后的惯性(即簇内距离的平方和)

inertia = []

# 循环遍历从1到10的整数(包括1但不包括11),代表要形成的簇的数量

for n in range(1, 11):

# 创建一个KMeans对象,设置n_clusters为当前的n值(即簇的数量),以及其他一些参数

algorithm = (KMeans(n_clusters=n, init='k-means++', n_init=10, max_iter=300, code>

tol=0.0001, random_state=111, algorithm='elkan')) code>

# 使用KMeans对象对X3数据进行拟合(即进行聚类)

algorithm.fit(X3)

# 获取这次聚类的惯性,并将其添加到inertia列表中

inertia.append(algorithm.inertia_)

# 现在inertia列表包含了从1到10个簇时的惯性值,可以用于后续的图形化显示或选择最佳簇数(即“肘部方法”)

# 创建一个新的图形窗口,编号为1,并设置其大小为15x6英寸

plt.figure(1, figsize=(15, 6))

# 使用plot函数绘制散点图,表示簇的数量与对应的惯性值。

# np.arange(1, 11)生成了一个从1到10的整数数组,代表簇的数量。

# inertia是之前计算得到的惯性值列表。

# 'o'指定了点的样式为圆圈。

plt.plot(np.arange(1, 11), inertia, 'o')

# 再次使用plot函数绘制线图,以连接上述散点,这样可以更清晰地看到惯性值随簇数量增加的变化趋势。

# '-'指定了线的样式为实线。

# alpha=0.5设置了线的透明度,使散点图更加突出。

plt.plot(np.arange(1, 11), inertia, '-', alpha=0.5)

# 设置x轴的标签为'Number of Clusters',表示簇的数量。

# 注意这里使用了逗号分隔了两个函数调用,是Python中一种常见的在一行内写多个语句的方式。

plt.xlabel('Number of Clusters'), plt.ylabel('Inertia')

# 显示图形窗口

plt.show()

KMeans聚类中聚类数量与惯性值之间的关系图:

在这里插入图片描述

<code># 创建一个KMeans对象,设置其参数来初始化KMeans聚类算法。

# 参数说明如下:

# n_clusters: 指定的簇数量,这里设置为6,表示数据将被分为6个簇。

# init: 初始化方法,'k-means++' 是一种用于选择初始质心集合的算法,它通常可以产生比随机初始化更好的结果。

# n_init: 使用不同的初始质心设置运行KMeans算法的次数,选择最佳结果(即最小惯性)的那次。这里设置为10,意味着算法会运行10次,每次使用不同的初始质心。

# max_iter: 单次运行的迭代最大次数,即算法会尝试优化簇质心的最大次数。这里设置为300。

# tol: 容忍的最小优化值,当(惯性)改进低于这个值时,算法将停止迭代。这里设置为0.0001。

# random_state: 随机数生成器的种子,用于初始化质心。设置随机种子可以确保结果的可重复性。这里设置为111。

# algorithm: KMeans算法的实现,'elkan'是一种更高效的实现,尤其是在大数据集上。

algorithm = (KMeans(n_clusters=6, init='k-means++', n_init=10, max_iter=300, code>

tol=0.0001, random_state=111, algorithm='elkan')) code>

# 使用KMeans对象对X3数据进行拟合(即进行聚类),将数据划分为n_clusters指定的簇数(在这里是6个簇)。

# 这个过程会找到每个簇的质心,并将每个数据点分配给最近的质心所代表的簇。

algorithm.fit(X3)

# labels3变量用于存储每个数据点所属的簇的标签。

# 这些标签是整数,范围从0到n_clusters-1(在这里是从0到5)。

labels3 = algorithm.labels_

# centroids3变量用于存储每个簇的质心(即簇的中心点)。

# 它是一个二维数组,其中每一行代表一个簇的质心,每一列代表一个特征(在这里是Age、Annual Income (k$)和Spending Score (1-100))。

centroids3 = algorithm.cluster_centers_

# 将KMeans算法生成的簇标签(labels3)添加到原始数据框df中作为一个新的列'label3'。

df['label3'] = labels3

# 创建一个3D散点图的trace对象,使用plotly的go.Scatter3d类。

trace1 = go.Scatter3d(

# 设置x轴的数据为df中的'Age'列。

x= df['Age'],

# 设置y轴的数据为df中的'Spending Score (1-100)'列。

y= df['Spending Score (1-100)'],

# 设置z轴的数据为df中的'Annual Income (k$)'列。

z= df['Annual Income (k$)'],

# 设置模式为'markers',即只显示标记点,不显示连线。

mode='markers', code>

# 设置标记点的属性。

marker=dict(

# 设置标记点的颜色为df中的'label3'列,即每个簇使用不同的颜色。

color = df['label3'],

# 设置标记点的大小为20。

size= 20,

# 设置标记点的边界线属性。

line=dict(

# 设置边界线的颜色与标记点颜色相同(即与簇标签对应)。

color= df['label3'],

# 设置边界线的宽度为12。

width= 12

),

# 设置标记点的透明度为0.8。

opacity=0.8

)

)

# 创建一个包含trace1的数据列表。

data = [trace1]

# 创建一个布局对象,用于设置图表的整体布局。

layout = go.Layout(

# (注释掉的代码)设置图表的边距,但这里被注释掉了,所以图表将使用默认边距。

# title= 'Clusters', # 标题设置为'Clusters'

# 设置图表的标题为'Clusters'。

title= 'Clusters',

# 设置3D场景的属性。

scene = dict(

# 设置x轴的属性,标题为'Age'。

xaxis = dict(title = 'Age'),

# 设置y轴的属性,标题为'Spending Score'。

yaxis = dict(title = 'Spending Score'),

# 设置z轴的属性,标题为'Annual Income'。

zaxis = dict(title = 'Annual Income')

)

)

# 创建一个Figure对象,并传入数据和布局。

fig = go.Figure(data=data, layout=layout)

# 使用plotly的offline模块来在本地显示图表。注意:py.offline.iplot是一个较旧的plotly API调用,

# 在新版本的plotly中,可能需要使用其他方法(如plotly.offline.plot或直接在Jupyter Notebook中使用fig.show())。

# 这里假设您已经正确地设置了plotly的offline模式或者在一个支持的环境下运行此代码。

py.offline.iplot(fig)

年龄、年收入和支出分数的可视化KMeans聚类的结果:

在这里插入图片描述

最后我以最后一次可视化的结果为例,将分类数值映射到原数据,直观的反映聚类结果。

在这里插入图片描述

最后一列就是我们的聚类结果了,从最后一次聚类可视化结果可以看出,有5个红色的质心,共有5个簇(也就是按超市会员的不同特征分成5类人)。K-Means算法在商场顾客细分领域的应用是一个典型的案例,它可以帮助商场管理者更好地理解顾客群体的特征和偏好,从而制定更加精准的营销策略。

创作不易,点赞、收藏、评论、转发,评论区留邮箱免费拿数据集。



声明

本文内容仅代表作者观点,或转载于其他网站,本站不以此文作为商业用途
如有涉及侵权,请联系本站进行删除
转载本站原创文章,请注明来源及作者。