时间:2021-05-22
今天用python实现了一下简单的聚类分析,顺便熟悉了numpy数组操作和绘图的一些技巧,在这里做个记录。
from pylab import *from sklearn.cluster import KMeans## 利用numpy.append()函数实现matlab多维数组合并的效果,axis 参数值为 0 时是 y 轴方向合并,参数值为 1 时是 x 轴方向合并,分别对应matlab [A ; B] 和 [A , B]的效果#创建5个随机的数据集x1=append(randn(500,1)+5,randn(500,1)+5,axis=1)x2=append(randn(500,1)+5,randn(500,1)-5,axis=1)x3=append(randn(500,1)-5,randn(500,1)+5,axis=1)x4=append(randn(500,1)-5,randn(500,1)-5,axis=1)x5=append(randn(500,1),randn(500,1),axis=1)# 下面用较笨的方法把5个数据集合并成 (2500,2)大小的数组datadata=append(x1,x2,axis=0)data=append(data,x3,axis=0)data=append(data,x4,axis=0)data=append(data,x5,axis=0)plot(x1[:,0],x1[:,1],'oc',markersize=0.8)plot(x2[:,0],x2[:,1],'og',markersize=0.8)plot(x3[:,0],x3[:,1],'ob',markersize=0.8)plot(x4[:,0],x4[:,1],'om',markersize=0.8)plot(x5[:,0],x5[:,1],'oy',markersize=0.8)k=KMeans(n_clusters=5,random_state=0).fit(data)t=k.cluster_centers_ # 获取数据中心点plot(t[:,0],t[:,1],'r*',markersize=16) # 显示这5个中心点,五角星标记~title('KMeans Clustering')box(False)xticks([]) # 去掉坐标轴的标记yticks([])show()结果如下:
2017/01/11更新
今天重新试运行程序的出现报错了,提示导入NUMPY_MKL失败,因为之前用命令pip install -U numpy手动更新了numpy,最初的是在http://www.lfd.uci.edu/~gohlke/pythonlibs/#numpy 里下载的numpy-1.11.2+mkl-cp27-cp27m-win_amd64.whl 文件安装的,只要重新安装回去就可以了
2017/1/18更新
python中还有一个叫plotly 的package,可以通过pip install plotly 或 pip3 install plotly(Python3.X) ,使用这个package可以绘制精美的图像,官网中有很多例子介绍,同时plotly 还支持matlab,R等,但是个人觉得plotly 的绘图语法相比matplotlib 的繁琐,需要照着例程来修改才比较方便,不过如果只是要想数据可视化更好看的话参考官网例程并做修改也无妨,下面是来自官网的一段示例代码:
import plotly.plotly as pyimport plotly.graph_objs as goimport plotlyimport numpy as np#生成三组高斯分布(Gaussian Distribution)点集x0 = np.random.normal(2, 0.45, 300)y0 = np.random.normal(2, 0.45, 300)x1 = np.random.normal(6, 0.8, 200)y1 = np.random.normal(6, 0.8, 200)x2 = np.random.normal(4, 0.3, 200)y2 = np.random.normal(4, 0.3, 200)#创建图形对象 graph objecttrace0 = go.Scatter( x=x0, y=y0, mode='markers',)trace1 = go.Scatter( x=x1, y=y1, mode='markers')trace2 = go.Scatter( x=x2, y=y2, mode='markers')trace3 = go.Scatter( x=x1, y=y0, mode='markers')#布局是一个字典,字典关键字keys包括:'shapes', 'showlegend'layout = { 'shapes': [ { 'type': 'circle', 'xref': 'x', 'yref': 'y', 'x0': min(x0), 'y0': min(y0), 'x1': max(x0), 'y1': max(y0), 'opacity': 0.2, 'fillcolor': 'blue', 'line': { 'color': 'blue', }, }, { 'type': 'circle', 'xref': 'x', 'yref': 'y', 'x0': min(x1), 'y0': min(y1), 'x1': max(x1), 'y1': max(y1), 'opacity': 0.2, 'fillcolor': 'orange', 'line': { 'color': 'orange', }, }, { 'type': 'circle', 'xref': 'x', 'yref': 'y', 'x0': min(x2), 'y0': min(y2), 'x1': max(x2), 'y1': max(y2), 'opacity': 0.2, 'fillcolor': 'green', 'line': { 'color': 'green', }, }, { 'type': 'circle', 'xref': 'x', 'yref': 'y', 'x0': min(x1), 'y0': min(y0), 'x1': max(x1), 'y1': max(y0), 'opacity': 0.2, 'fillcolor': 'red', 'line': { 'color': 'red', }, }, ], 'showlegend': False,}data = [trace0, trace1, trace2, trace3]#图像包括数据部分和布局部分fig = { 'data': data, 'layout': layout,}#使用离线的方式绘制图像,因为没有注册官方的网站,而且那个网站不容易进去,所以用离线绘制plotly.offline.plot(fig, filename='clusters')结果是通过浏览器打开图片的,可以保存到本地,如下图:
总结:plotly 这个库虽然语法比较繁琐,但是对数据显示要求较高的情况下可以充分利用,一般绘图的话使用matplotlib比较方便,特别是ipython模式下先执行from pylab import * 可以获得和MATLAB 类似的工作环境。
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。
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
这里分享一些轨迹聚类的基本方法,涉及轨迹距离的定义、kmeans聚类应用。需要使用的python库如下importpandasaspdimportnumpyas
本文实例讲述了Python实现的KMeans聚类算法。分享给大家供大家参考,具体如下:菜鸟一枚,编程初学者,最近想使用Python3实现几个简单的机器学习分析方
kmeans算法基本步骤如下: 1、从数据中选择k个对象作为初始聚类中心。 2、计算每个聚类对象到聚类中心的距离来划分。 3、再次计算每个聚类中心。 4
1、从Kmeans说起Kmeans是一个非常基础的聚类算法,使用了迭代的思想,关于其原理这里不说了。下面说一下如何在matlab中使用kmeans算法。创建7个
kmeans原理如下: 输入:聚类个数k,以及包含n个数据对象的数据库。输出:满足方差最小标准的k个聚类。 K-means算法是很典型的基于距离的聚类算法,