分析总结Python数据化运营KMeans聚类

分析总结Python数据化运营KMeans聚类攻略

背景

在进行数据化运营的过程中，我们经常需要对用户行为、产品属性等数据进行分析。KMeans聚类是常用的无监督机器学习算法，可以帮助我们进行数据聚类分析。

步骤

1. 准备数据集

将需要分析的数据集读取进来，进行预处理，数据清洗，确保数据的准确性和完整性。

1. 定义距离度量

定义距离度量方法，用来衡量数据点之间的距离。

1. 选择合适的K值

KMeans聚类需要预先设定分组数量，也就是K值。可以通过手肘法、轮廓系数等方法来选择合适的K值。

1. 训练模型

将数据集输入KMeans聚类模型中，进行训练。

1. 可视化

通过可视化工具将聚类结果进行展示，便于我们更好地理解分析结果。

示例一

以鸢尾花数据集为例，进行KMeans聚类分析。

1. 准备数据集

from sklearn.datasets import load_iris

iris = load_iris()
X = iris.data

1. 定义距离度量

from scipy.spatial.distance import euclidean

def dist(a, b):
    return euclidean(a, b)

1. 选择合适的K值

from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

K = range(1, 10)
SSE = []
# Sum of squared errors
for k in K:
    estimator = KMeans(n_clusters=k)
    estimator.fit(X)
    SSE.append(estimator.inertia_)

plt.plot(K, SSE, 'o-')
plt.xlabel('K')
plt.ylabel('SSE')
plt.show()

1. 训练模型

estimator = KMeans(n_clusters=3)
estimator.fit(X)
labels = estimator.labels_

1. 可视化

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure(1, figsize=(8,8))
ax = Axes3D(fig, rect=[0, 0, .95, 1], elev=48, azim=134)
ax.scatter(X[:, 3], X[:, 0], X[:, 2],c=labels.astype(np.float), edgecolor="k")
ax.set_xlabel("花瓣宽度")
ax.set_ylabel("花萼长度")
ax.set_zlabel("花瓣长度")
plt.show()

示例二

以国际足球比赛数据集为例，进行KMeans聚类分析。

1. 准备数据集

import pandas as pd

df = pd.read_csv('results.csv')
X = df[['home_score', 'away_score']].values

1. 定义距离度量

def dist(a, b):
    return abs(a[0] - b[0]) + abs(a[1] - b[1])

1. 选择合适的K值

K = range(1, 10)
SSE = []
for k in K:
    estimator = KMeans(n_clusters=k)
    estimator.fit(X)
    SSE.append(estimator.inertia_)

plt.plot(K, SSE, 'o-')
plt.xlabel('K')
plt.ylabel('SSE')
plt.show()

1. 训练模型

estimator = KMeans(n_clusters=3)
estimator.fit(X)
labels = estimator.labels_

1. 可视化

import seaborn as sns

df['cluster'] = labels
sns.scatterplot(x="home_score", y="away_score",hue='cluster',palette=["y", "b", "r"], data=df)
plt.show()

总结

上述两个示例展示了KMeans聚类的使用方法，选取了不同的数据集进行训练及可视化。最后利用可视化工具将聚类结果展示出来，帮助我们更好地理解分析结果。KMeans聚类并不是万能的，不同的数据集需要选择不同的算法。