聚类分析是按照个体的特征将他们分类，让同一个类别内的个体之间具有较高的相似度，不同类别之间具有较大的差异性。
聚类分析属于无监督学习。
聚类对象可以分为两类：
1. K-Means划分法
K表示聚类算法中类的个数，Means表示均值算法，
K-Means即是用均值算法把数据分成K个类的算法。
把n个样本点划分到k个类中，使得每个点都属于离它最近的质心（一个类内部所有样本点的均值）对应的类，以之作为聚类的标准。
（2）K-Means算法的计算步骤
-
取得K个初始质心：
从数据中随机抽取K个点作为初始聚类的中心，来代表各个类
-
把每个点划分进相应的类：
根据欧式距离最小的原则，把每个点划分进距离最近的类中
-
重新计算质心：
根据均值等方法，重新计算每个类的质心
-
迭代计算质心：
重复第二步和第三步，迭代计算
-
聚类完成：
聚类中不在发生移动
（3）基于sklearn包的实现
导入一份如下数据，经过各变量间的散点图和相关系数，发现工作日上班电话时长与总电话时长存在强正相关关系。
选择可建模的变量并降维
cloumns_fix1 = ['工作日上班时电话时长', '工作日下半时电话时长', '周末电话时长', '国际电话时长', '平均每次通话时长']
pca_2 = PCA(n_components=2)data_pca_2 = pd.DataFrame(pca_2.fit_transform(data[cloumns_fix1]))
通过sklearn包中的K-Means方法构建模型
#绘制散点图查看数据点大致情况plt.scatter(data_pca_2[0],data_pca_2[1])
#预计将数据点分类为3类kmmodel = KMeans(n_clusters=3) #创建模型kmmodel = kmmodel.fit(data[cloumns_fix1]) #训练模型ptarget = kmmodel.predict(data[cloumns_fix1]) #对原始数据进行标注
pd.crosstab(ptarget,ptarget) #交叉表查看各个类别数据的数量
plt.scatter(data_pca_2[0],data_pca_2[1],c=ptarget)
最后，可以通过直方图查看各聚类间的差异
#查看各类之间的差异dMean = pd.DataFrame(columns=cloumns_fix1+['分类']) #得到每个类别的均值data_gb = data[cloumns_fix1].groupby(ptarget) #按标注进行分组
i = 0for g in data_gb.groups: rMean = data_gb.get_group(g).mean() rMean['分类'] = g; dMean = dMean.append(rMean, ignore_index=True) subData = data_gb.get_group(g) for column in cloumns_fix1: i = i+1; p = plt.subplot(3, 5, i) p.set_title(column) p.set_ylabel(str(g) + "分类") plt.hist(subData[column], bins=20)
2. 层次聚类法
层次聚类算法又称为树聚类算法，它根据数据之间的距离，透过一种层次架构方式，反复将数据进行聚合，创建一个层次以分解给定的数据集。
层次聚类算法常用于一维数据的自动分组。
层次聚类算法是一种很直观的聚类算法，基本思想是通过数据间的相似性，按相似性由高到低排序后重新连接各个节点，整个过程就是建立一个树结构，如下图：
（1）层次聚类算法的步骤
（2）基于sklearn包的实现
使用K-Means聚类案例中的数据
cloumns_fix1 = ['工作日上班时电话时长', '工作日下半时电话时长', '周末电话时长', '国际电话时长', '平均每次通话时长'] linkage = hcluster.linkage(data[cloumns_fix1], method='centroid') #中心点距离计算，得到矩阵
linkage = scipy.cluster.hierarchy.linkage(data, method='single')
method 类距离计算公式有三种参数：
-
single 两个类之间最短距离的点的距离
-
complete 两个类之间最长距离的点的距离
-
centroid 两个类所有点的中点的距离
