python机器学习实战之K均值聚类

Python  /  管理员 发布于 7年前   269

本文实例为大家分享了python K均值聚类的具体代码，供大家参考，具体内容如下

#-*- coding:utf-8 -*- #!/usr/bin/python  ''''' k Means K均值聚类 ''' # 测试 # Ｋ均值聚类   import kMeans as KM KM.kMeansTest() # 二分Ｋ均值聚类 import kMeans as KM KM.biKMeansTest() # 地理位置 二分Ｋ均值聚类 import kMeans as KM KM.clusterClubs() from numpy import *  # 导入数据集 def loadDataSet(fileName):   #    dataMat = []        #    fr = open(fileName)   for line in fr.readlines(): # 每一行     curLine = line.strip().split('\t')# 按 Tab键 分割成 列表     fltLine = map(float,curLine)   # 映射成 浮点型     dataMat.append(fltLine)      # 放入数据集里   return dataMat  # 计算欧几里的距离 def distEclud(vecA, vecB):   return sqrt(sum(power(vecA - vecB, 2))) #la.norm(vecA-vecB)  # 初始构建质心(随机) 数据集 质心个数 def randCent(dataSet, k):   n = shape(dataSet)[1] # 样本特征维度   centroids = mat(zeros((k,n))) # 初始化 k个 质心   for j in range(n):  # 每种样本特征     minJ = min(dataSet[:,j]) # 每种样本特征最小值 需要转换成 numpy 的mat     rangeJ = float(max(dataSet[:,j]) - minJ)#每种样本特征的幅值范围     centroids[:,j] = mat(minJ + rangeJ * random.rand(k,1))     # 在每种样本的最大值和最小值间随机生成K个样本特征值   return centroids  # 简单k均值聚类算法  #    数据集 中心数量  距离算法      初始聚类中心算法  def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):   m = shape(dataSet)[0]       # 样本个数   clusterAssment = mat(zeros((m,2)))# 样本标记 分配结果 第一列索引 第二列误差   centroids = createCent(dataSet, k)# 初始聚类中心   clusterChanged = True# 设置质心是否仍然发送变化   while clusterChanged:     clusterChanged = False     for i in range(m): #对每个样本 计算最近的中心     # 更新 样本所属关系       minDist = inf; minIndex = -1 # 距离变量 以及 最近的中心索引       for j in range(k): # 对每个中心         distJI = distMeas(centroids[j,:],dataSet[i,:])# 计算距离         if distJI < minDist:           minDist = distJI; minIndex = j# 得到最近的 中心 索引       if clusterAssment[i,0] != minIndex: clusterChanged = True        # 所属索引发生了变化 即质心还在变化，还可以优化       clusterAssment[i,:] = minIndex,minDist**2 # 保存 所属索引 以及距离平方 用以计算误差平方和 SSE     # 更新质心     print centroids # 每次迭代打印质心     for cent in range(k):#        ptsInClust = dataSet[nonzero(clusterAssment[:,0].A==cent)[0]]# 数组过滤 得到各个中心所属的样本       centroids[cent,:] = mean(ptsInClust, axis=0) # 按列求平均 得到新的中心   return centroids, clusterAssment# 返回质心 和各个样本分配结果  def kMeansTest(k=5):   MyDatMat = mat(loadDataSet("testSet.txt"))   MyCenters, ClustAssing = kMeans(MyDatMat, k)  # bisecting K-means 二分K均值算法 克服局部最优值 def biKmeans(dataSet, k, distMeas=distEclud):   m = shape(dataSet)[0]       # 样本个数   clusterAssment = mat(zeros((m,2)))# 样本标记 分配结果 第一列索引 第二列误差   centroid0 = mean(dataSet, axis=0).tolist()[0]# 创建一个初始质心   centList =[centroid0] # 一个中心的 列表   for j in range(m):  # 计算初始误差     clusterAssment[j,1] = distMeas(mat(centroid0), dataSet[j,:])**2#每个样本与中心的距离平方   while (len(centList) < k):# 中心数俩个未达到指定中心数量 继续迭代     lowestSSE = inf    # 最小的 误差平方和 SSE     for i in range(len(centList)):# 对于每一个中心       ptsInCurrCluster = dataSet[nonzero(clusterAssment[:,0].A==i)[0],:] # 处于当前中心的样本点       centroidMat, splitClustAss = kMeans(ptsInCurrCluster, 2, distMeas) # 对此中心内的点进行二分类       # 该样本中心 二分类之后的 误差平方和 SSE     sseSplit = sum(splitClustAss[:,1])       # 其他未划分数据集的误差平方和 SSE       sseNotSplit = sum(clusterAssment[nonzero(clusterAssment[:,0].A!=i)[0],1])       print "sseSplit, and notSplit: ",sseSplit,sseNotSplit       # 划分后的误差和没有进行划分的数据集的误差为本次误差       if (sseSplit + sseNotSplit) < lowestSSE: # 小于上次 的 误差          bestCentToSplit = i # 记录应该被划分的中心 的索引         bestNewCents = centroidMat # 最好的新划分出来的中心         bestClustAss = splitClustAss.copy()# 新中心 对于的 划分记录 索引(0或1)以及 误差平方         lowestSSE = sseSplit + sseNotSplit # 更新总的 误差平方和     # 记录中心 划分 数据     bestClustAss[nonzero(bestClustAss[:,0].A == 1)[0],0] = len(centList) # 现有中心数量     bestClustAss[nonzero(bestClustAss[:,0].A == 0)[0],0] = bestCentToSplit# 最应该被划分的中心     print 'the bestCentToSplit is: ',bestCentToSplit     print 'the len of bestClustAss is: ', len(bestClustAss)     # 将最应该被划分的中心 替换为 划分后的 两个 中心(一个替换，另一个 append在最后添加)     centList[bestCentToSplit] = bestNewCents[0,:].tolist()[0]# 替换     centList.append(bestNewCents[1,:].tolist()[0])      # 添加     # 更新 样本标记 分配结果 替换 被划分中心的记录     clusterAssment[nonzero(clusterAssment[:,0].A == bestCentToSplit)[0],:]= bestClustAss   return mat(centList), clusterAssment  def biKMeansTest(k=5):   MyDatMat = mat(loadDataSet("testSet.txt"))   MyCenters, ClustAssing = biKmeans(MyDatMat, k)  ####位置数据聚类测试##### # 利用雅虎的服务器将地址转换为 经度和纬度 import urllib import json def geoGrab(stAddress, city):   apiStem = 'http://where.yahooapis.com/geocode?' #    params = {}   params['flags'] = 'J'    # 设置返回类型为JSON字符串    params['appid'] = 'aaa0VN6k' # 注册 帐号后获得 http://developer.yahoo.com   params['location'] = '%s %s' % (stAddress, city) # 位置信息   url_params = urllib.urlencode(params)# 将字典转换成可以通过ＵＲＬ进行传递的字符串格式   yahooApi = apiStem + url_params   # 加入网络地址    print yahooApi# 打印 ＵＲＬ   c=urllib.urlopen(yahooApi)      # 打开 ＵＲＬ   return json.loads(c.read())     # 读取返回的jason字符串  对位置进行了编码 得到经度和纬度    from time import sleep def massPlaceFind(fileName):   fw = open('places.txt', 'w') # 打开位置信息文件   for line in open(fileName).readlines():# 每一行     line = line.strip()     lineArr = line.split('\t')# 得到列表     retDict = geoGrab(lineArr[1], lineArr[2])# 第二列为号牌 第三列为城市 进行地址解码     if retDict['ResultSet']['Error'] == 0:       lat = float(retDict['ResultSet']['Results'][0]['latitude']) #经度       lng = float(retDict['ResultSet']['Results'][0]['longitude'])#纬度       print "%s\t%f\t%f" % (lineArr[0], lat, lng)       fw.write('%s\t%f\t%f\n' % (line, lat, lng)) #再写入到文件     else: print "error fetching"     sleep(1)#延迟1s   fw.close()  # 返回地球表面两点之间的距离 单位英里 输入经纬度(度) 球面余弦定理 def distSLC(vecA, vecB):#Spherical Law of Cosines   a = sin(vecA[0,1]*pi/180) * sin(vecB[0,1]*pi/180)   b = cos(vecA[0,1]*pi/180) * cos(vecB[0,1]*pi/180) * \cos(pi * (vecB[0,0]-vecA[0,0]) /180)   return arccos(a + b)*6371.0 #pi in numpy   # 位置聚类测试 画图可视化显示 import matplotlib import matplotlib.pyplot as plt  def clusterClubs(numClust=5):   datList = [] # 样本   for line in open('places.txt').readlines():     lineArr = line.split('\t')     datList.append([float(lineArr[4]), float(lineArr[3])])# 保存经纬度   datMat = mat(datList)# 数据集 numpy的mat类型   # 进行二分K均值算法聚类   myCentroids, clustAssing = biKmeans(datMat, numClust, distMeas=distSLC)   fig = plt.figure()# 窗口   rect=[0.1,0.1,0.8,0.8]   scatterMarkers=['s', 'o', '^', '8', 'p', \           'd', 'v', 'h', '>', '<']   axprops = dict(xticks=[], yticks=[])   ax0=fig.add_axes(rect, label='ax0', **axprops)#轴   imgP = plt.imread('Portland.png') # 标注在实际的图片上   ax0.imshow(imgP)   ax1=fig.add_axes(rect, label='ax1', frameon=False)   for i in range(numClust):#每一个中心     ptsInCurrCluster = datMat[nonzero(clustAssing[:,0].A==i)[0],:]# 属于每个中心的样本点     markerStyle = scatterMarkers[i % len(scatterMarkers)]# 点的类型 画图     # 散点图 每个中心的样本点     ax1.scatter(ptsInCurrCluster[:,0].flatten().A[0], ptsInCurrCluster[:,1].flatten().A[0], marker=markerStyle, s=90)   # 散 点图 每个中心   ax1.scatter(myCentroids[:,0].flatten().A[0], myCentroids[:,1].flatten().A[0], marker='+', s=300) plt.show()# 显示 

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。