python机器学习实战之K均值聚类

本文实例为大家分享了pythonK均值聚类的具体代码，供大家参考，具体内容如下#-*-coding:utf-8-

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脚本之家。

python 机器学习 K均值聚类