欢迎光临散文网 会员登陆 & 注册

无监督学习Kmeans聚类(代码重传

2018-08-03 16:30 作者:licuihe  | 我要投稿


上面是k值不同时候的情况


共两个代码文件:

kmeans.py

# -*- coding: utf-8 -*-


import numpy as np

import matplotlib.pyplot as plt



class KMeansClassifier():

    """

    这是一个kmean分类器

    """


    # k initcent='random'初始化聚类中心的方法 max_iter=20训练的次数

    def __init__(self, k=3, initcent='random', max_iter=20):

        

        self._k = k  # 接外面传进来的

        self._initCent = initcent

        self._max_iter = max_iter

        self._clusterAssment = None

        self._labels = None

        self._sse = None


    def draw_pic(self, step):

        colors = ['b', 'g', 'r', 'k', 'c', 'm', 'y', '#e24fff', '#524C90', '#845868']

        for i in range(self._k):

            plt.scatter(self._centroids[i, 0], self._centroids[i, 1], marker='o', color=colors[i], linewidths=2)

            plt.text(s=step.__str__(), x=self._centroids[i, 0], y=self._centroids[i, 1], color=colors[i], size=20)


    # print(arrA, arrB) # 前一个是聚类中心的x y坐标,后一个散点的x y坐标     欧拉距离计算

    def _cal_e_dist(self, arr_a, arr_b):

        """

        功能:欧拉距离计算

        输入:两个一维数组

        """

        return np.math.sqrt(sum(np.power(arr_a - arr_b, 2)))

    

    def _calMDist(self, arr_a, arr_b):

        """

        功能:曼哈顿距离距离计算

        输入:两个一维数组

        arrA是聚类中心的x y坐标,arrB是散点的x y坐标

        """

        return sum(np.abs(arr_a - arr_b))


    # centroids[0][0]保存的是第一个聚类中心的x值 centroids[0][1]保存的是第一个聚类中心的y值

    def _randCent(self, data_x, k):

        """

        功能:随机选取k个质心

        输出:centroids #返回一个k*n的质心矩阵

        """


        n = data_x.shape[1]  # 获取特征的维数

        # print(n) # 这里是2,因为散点是二维的

        centroids = np.empty((k, n))  # 使用numpy生成一个k*n的矩阵,用于存储质心坐标

        for j in range(n):

            min_j = min(data_x[:, j])  # 取到第j维最小的数

            range_j = float(max(data_x[:, j] - min_j))  # 取到第j维的坐标变化范围

            # 使用flatten拉平嵌套列表(nested list)

            centroids[:, j] = (min_j + range_j * np.random.rand(k, 1)).flatten()  # 随机选取第j维的坐标(保证坐标不超过数据)

        # print(centroids)



        """

        # 指定初始坐标

        centroids = np.empty((k, data_x.shape[1]))

        for i in range(k):

            centroids[i][0] = i

            centroids[i][1] = i

        # print(centroids)"""

        return centroids


    # self._centroids[i, :]  # 计算取出的第i类样本点的各个坐标均值

    # self._labels  # 样本点所属的类的索引值minIndex

    # self._sse  # 该点与其聚类中心的平方误差minDist**2

    def fit(self, data_x):

        """

        输入:一个m*n维的矩阵

        本例是m*2

        """

        if not isinstance(data_x, np.ndarray) or isinstance(data_x, np.matrixlib.defmatrix.matrix):

            try:

                data_x = np.asarray(data_x)

            except:

                raise TypeError("numpy.ndarray resuired for data_X")


        m = data_x.shape[0]  # 获取样本的个数m(79)     data_X.shape[1]是维数n=2

        # 准备一个m*2的二维矩阵,矩阵第一列存储样本点所属的类的索引值 第二列存储该点与其聚类中心的平方误差

        self._clusterAssment = np.zeros((m, 2))


        # 返回centroids[0][0]第0中心的x  centroids[0][1]第0中心的y

        if self._initCent == 'random':

            self._centroids = self._randCent(data_x, self._k)



        self.draw_pic(0)  # =====================================================================================

        # self._max_iter是最多训练的次数

        for _iter in range(self._max_iter):  # ============================对每次训练

            shou_lian = True  # 这个散点所跟随的聚类中心是不是变了

            # 将每个样本点分配到离它最近的质心所属的族

            for i in range(m):   # ========================================对每个散点

                min_dist = np.inf  # 首先将minDist置为一个无穷大的数

                min_index = -1    # 将最近质心的下标置为-1

                # 次迭代用于寻找最近的质心

                for j in range(self._k):  # ===============================对每个聚类中心

                    # 第j个聚类中心的x y坐标         # ab第i个散点的x y坐标

                    arr_a = self._centroids[j, :]

                    arr_b = data_x[i, :]

                    dist_ab = self._cal_e_dist(arr_a, arr_b)

                    if dist_ab < min_dist:

                        min_dist = dist_ab  # 更新

                        min_index = j  # 记录

                # 第一列索引值 第二列平方误差 共m行

                if self._clusterAssment[i, 0] != min_index or self._clusterAssment[i, 1] > min_dist**2:

                    self._clusterAssment[i, :] = min_index, min_dist**2

                    shou_lian = False

            if shou_lian:  # 收敛,结束迭代

                break


            self.old_temp = []

            # 更新 将每个类中的点的均值作为新的聚类中心的坐标

            for i in range(self._k):  # =====================================对于聚类中心数量

                value = np.nonzero(self._clusterAssment[:, 0] == i)  # 取出散点的索引值

                self.old_temp[:] = self._centroids[i, :]

                self._centroids[i, :] = np.mean(data_x[value[0]], axis=0)  # 计算第i中心所有样本点的各个坐标均值

                if self._centroids[i, 0] != self._centroids[i, 0]:  # 是空值nan,没有人追随着个中心点

                    self._centroids[i, :] = self.old_temp[:]


            # 这里打印出每步的聚类中心的位置

            colors = ['b', 'g', 'r', 'k', 'c', 'm', 'y', '#e24fff', '#524C90', '#845868']

            if _iter==0:

                for i in range(self._k):  # 对每个聚类

                    index = np.nonzero(self._clusterAssment[:, 0] == i)[0]

                    x0 = data_x[index, 0]  # x坐标

                    x1 = data_x[index, 1]  # y坐标

                    for j in range(len(x0)):  # 对所有这些点

                        plt.text(x0[j], x1[j], str(i), color=colors[i], fontdict={'weight': 'bold', 'size': 6})

            self.draw_pic(_iter+1)


        self._labels = self._clusterAssment[:, 0]  # 第一列存样本点所属的类的索引值minIndex

        self._sse = sum(self._clusterAssment[:, 1])  # 第二列存该点与其聚类中心的平方误差minDist**2

        # print('step', _iter, '\n', self._centroids, '\n', self._labels, '\n', self._sse)


    # preds[:] 各个点依次的预测聚类中心

    def predict(self, x):  # 根据聚类结果,预测新输入数据所属的族

        # 类型检查

        if not isinstance(x, np.ndarray):

            try:

                x = np.asarray(x)

            except:

                raise TypeError("numpy.ndarray required for X")

        

        m = x.shape[0]  # m代表样本数量

        preds = np.empty((m,))

        for i in range(m):  # 将每个样本点分配到离它最近的质心所属的族

            min_dist = np.inf

            for j in range(self._k):

                dist_j_i = self._cal_e_dist(self._centroids[j, :], x[i, :])

                if dist_j_i < min_dist:

                    min_dist = dist_j_i

                    preds[i] = j

        return preds[:]


        

class biKMeansClassifier():

    """

    这是一个二分 k-means

    """

    

    def __init__(self, k=3):

        

        self._k = k

        self._centroids = None

        self._clusterAssment = None

        self._labels = None

        self._sse = None


    def _calEDist(self, arr_a, arr_b):

        """

        功能:欧拉距离距离计算

        输入:两个一维数组

        """

        # print(arrA, arrB) # 前一个是聚类中心的x y坐标,后一个散点的x y坐标

        return np.math.sqrt(sum(np.power(arr_a - arr_b, 2)))

        

    def fit(self, X):

        m = X.shape[0]

        self._clusterAssment = np.zeros((m, 2))

        centroid0 = np.mean(X, axis=0).tolist()

        cent_list = [centroid0]

        for j in range(m):  # 计算每个样本点与质心之间初始的平方误差

            self._clusterAssment[j, 1] = self._calEDist(np.asarray(centroid0), X[j, :]) ** 2

        while(len(cent_list) < self._k):

            lowest_sse = np.inf

            # 尝试划分每一族,选取使得误差最小的那个族进行划分

            for i in range(len(cent_list)):

                index_all = self._clusterAssment[:, 0]  # 取出样本所属簇的索引值

                value = np.nonzero(index_all == i)  # 取出所有属于第i个簇的索引值

                pts_in_curr_cluster = X[value[0], :]  # 取出属于第i个簇的所有样本点

                clf = KMeansClassifier(k=2)

                clf.fit(pts_in_curr_cluster)

                # 划分该族后,所得到的质心、分配结果及误差矩阵

                centroid_mat, split_clust_ass = clf._centroids, clf._clusterAssment

                sse_split = sum(split_clust_ass[:, 1])

                index_all = self._clusterAssment[:, 0]

                value = np.nonzero(index_all == i)

                sse_not_split = sum(self._clusterAssment[value[0],1])

                if (sse_split + sse_not_split) < lowest_sse:

                    best_cent_to_split = i

                    best_new_cents = centroid_mat

                    best_clust_ass = split_clust_ass.copy()

                    lowest_sse = sse_split + sse_not_split

            # 该族被划分成两个子族后,其中一个子族的索引变为原族的索引

            # 另一个子族的索引变为len(cent_list),然后存入centList

            best_clust_ass[np.nonzero(best_clust_ass[:, 0] == 1)[0], 0] = len(cent_list)

            best_clust_ass[np.nonzero(best_clust_ass[:, 0] == 0)[0], 0] = best_cent_to_split

            cent_list[best_cent_to_split] = best_new_cents[0, :].tolist()

            cent_list.append(best_new_cents[1, :].tolist())

            self._clusterAssment[np.nonzero(self._clusterAssment[:,0] == best_cent_to_split)[0], :] = best_clust_ass

                   

        self._labels = self._clusterAssment[:, 0]

        self._sse = sum(self._clusterAssment[:, 1])

        self._centroids = np.asarray(cent_list)

                                

    def predict(self, x):  # 根据聚类结果,预测新输入数据所属的族

        # 类型检查

        if not isinstance(x, np.ndarray):

            try:

                x = np.asarray(x)

            except:

                raise TypeError("numpy.ndarray required for X")

        

        m = x.shape[0]  # m代表样本数量

        preds = np.empty((m,))

        for i in range(m):  # 将每个样本点分配到离它最近的质心所属的族

            min_dist = np.inf

            for j in range(self._k):

                dist_j_i = self._calEDist(self._centroids[j, :], x[i, :])

                if dist_j_i < min_dist:

                    min_dist = dist_j_i

                    preds[i] = j

        return preds



run.py

# -*- coding: utf-8 -*-

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

from kmeans import KMeansClassifier



# 加载数据集,DataFrame格式,最后将返回为一个matrix格式

def loadDataset(infile):

    df = pd.read_csv(infile, sep='\t', header=0, dtype=str, na_filter=False)

    # print(df)

    return np.array(df).astype(np.float)



if __name__ == "__main__":

    data_X = loadDataset(r"data/testSet.txt")

    # print(data_X[0][0]) # 是一个list,data_X[0][0]是第一个点的x坐标 data_X[0][1]是第一个点的y坐标

    k = 4  # kmean的k

    max_iter = 5  # kmean最大训练次数(100可以满足大多数要求)

    clf = KMeansClassifier(k, max_iter=max_iter)

    clf.fit(data_X)

    labels = clf._labels  # 由上一行计算得出

    sse = clf._sse  # 由上上一行计算得出

    cents = clf._centroids  # 由上上上一行计算得出

    colors = ['b', 'g', 'r', 'k', 'c', 'm', 'y', '#e24fff', '#524C90', '#845868']


    plt.title("SSE={:.2f}".format(sse))

    plt.axis([-7, 7, -7, 7])

    outname = "./result/k_clusters" + str(k) + ".png"

    plt.savefig(outname)

    # plt.show()


    fig1 = plt.figure()

    ax1 = fig1.add_subplot(111)

    for i in range(k):  # 对每个聚类

        index = np.nonzero(labels == i)[0]

        x0 = data_X[index, 0]  # x坐标

        x1 = data_X[index, 1]  # y坐标

        for j in range(len(x0)):  # 对所有这些点

            ax1.text(x0[j], x1[j], str(i), color=colors[i], fontdict={'weight': 'bold', 'size': 6})

        ax1.scatter(cents[i, 0], cents[i, 1], marker='o', color=colors[i], linewidths=5)


    plt.show()

    # print('[[2, 2], [-4, -4]]两个点的预测结果=', clf.predict([[2, 2], [-4, -4]]))  # 预测的输出



测试用的数据集

1.658985 4.285136

-3.453687 3.424321

4.838138 -1.151539

-5.379713 -3.362104

0.972564 2.924086

-3.567919 1.531611

0.450614 -3.302219

-3.487105 -1.724432

2.668759 1.594842

-3.156485 3.191137

3.165506 -3.999838

-2.786837 -3.099354

4.208187 2.984927

-2.123337 2.943366

0.704199 -0.479481

-0.392370 -3.963704

2.831667 1.574018

-0.790153 3.343144

2.943496 -3.357075

-3.195883 -2.283926

2.336445 2.875106

-1.786345 2.554248

2.190101 -1.906020

-3.403367 -2.778288

1.778124 3.880832

-1.688346 2.230267

2.592976 -2.054368

-4.007257 -3.207066

2.257734 3.387564

-2.679011 0.785119

0.939512 -4.023563

-3.674424 -2.261084

2.046259 2.735279

-3.189470 1.780269

4.372646 -0.822248

-2.579316 -3.497576

1.889034 5.190400

-0.798747 2.185588

2.836520 -2.658556

-3.837877 -3.253815

2.096701 3.886007

-2.709034 2.923887

3.367037 -3.184789

-2.121479 -4.232586

2.329546 3.179764

-3.284816 3.273099

3.091414 -3.815232

-3.762093 -2.432191

3.542056 2.778832

-1.736822 4.241041

2.127073 -2.983680

-4.323818 -3.938116

3.792121 5.135768

-4.786473 3.358547

2.624081 -3.260715

-4.009299 -2.978115

2.493525 1.963710

-2.513661 2.642162

1.864375 -3.176309

-3.171184 -3.572452

2.894220 2.489128

-2.562539 2.884438

3.491078 -3.947487

-2.565729 -2.012114

3.332948 3.983102

-1.616805 3.573188

2.280615 -2.559444

-2.651229 -3.103198

2.321395 3.154987

-1.685703 2.939697

3.031012 -3.620252

-4.599622 -2.185829

4.196223 1.126677

-2.133863 3.093686

4.668892 -2.562705

-2.793241 -2.149706

2.884105 3.043438

-2.967647 2.848696

4.479332 -1.764772

-4.905566 -2.911070


无监督学习Kmeans聚类(代码重传的评论 (共 条)

分享到微博请遵守国家法律