使用K-Means算法对数据进行聚类

K-Means是聚类算法的一种，以距离来判断数据点间的相似度并对数据进行聚类。前面的文章中我们介绍过K-Means聚类算法的原理及实现。本篇文章使用scikit-learn库对数据进行聚类分析。

准备工作

开始之前先导入要使用的各种库文件，首先是scikit-learn库，然后是数值计算numpy和科学计算pandas库，以及用于绘制图表的matplotlib库文件。

from sklearn.cluster import KMeans

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

读取并查看数据表

读取用于聚类的数据并创建名为loan_data的数据表，用于后续的聚类分析。

#读取用于聚类的数据，并创建数据表

loan_data=pd.DataFrame(pd.read_csv(‘loan_data.csv’,header=0))

#查看数据表

loan_data.head()

#查看表中的各列的名称

loan_data.columns

Index([‘member_id’, ‘loan_amnt’, ‘term’, ‘grade’, ’emp_length’, ‘annual_inc’,

‘issue_d’, ‘loan_status’, ‘total_pymnt_inv’, ‘total_rec_int’], dtype=’object’)

我们对数据表中的贷款金额和用户年收入进行聚类，这里先绘制两个维度的散点图，观察分布情况并与后续的聚类结果进行对比。

#绘制散点图

plt.rc(‘font’, family=’STXihei’, size=10)

plt.scatter(loan_data[‘loan_amnt’],loan_data[‘annual_inc’],50,color=’blue’,marker=’+’,linewidth=2,alpha=0.8)

plt.xlabel(‘贷款金额’)

plt.ylabel(‘年收入’)

plt.xlim(0,25000)

plt.grid(color=’#95a5a6′,linestyle=’–‘, linewidth=1,axis=’both’,alpha=0.4)

plt.show()

K-Means聚类

我们数据表中的贷款金额和用户年收入两个维度进行聚类，这里先对数据进行预处理，然后设置类别数量。

#设置要进行聚类的字段

loan = np.array(loan_data[[‘loan_amnt’,’annual_inc’]])

#设置类别为3

clf=KMeans(n_clusters=3)

#将数据代入到聚类模型中

clf=clf.fit(loan)

聚类结果将数据分析三类，第一类的均值是贷款金额8754，年收入88853。第二类的均值是贷款金额4596，年收入22406。第三类的均值是贷款金额9168，年收入46870。换个角度来看，第一个类的用户属于贷款金额高，年收入也较高的一群人。第二个类别的用户属于贷款金额较低，年收入也较低的一群人。第三个类别的用户则属于贷款金额高，年收入居中的一群人。

#查看聚类结果

clf.cluster_centers_

array([[ 8754.54545455, 88853.19909091],

[ 4596.875 , 22406.5 ],

[ 9168.18181818, 46870.72727273]])

假设这时我们又有了新的用户数据输入，在原有聚类模型中，新数据贷款金额7000，年收入30000，被分为了第三个类别，贷款金额高，年收入居中的类别。

#测试新数据聚类结果

clf.predict([‘7000′,’30000’])

array([2])

将K-Means模型对原始数据聚类的结果标记在原始数据表中。

#在原始数据表中增加聚类结果标签

loan_data[‘label’]=clf.labels_

查看标记聚类结果的数据表，其中label字段为聚类结果。

#查看数据表

loan_data.head()

为了更加清晰和直观的查看原始数据的聚类结果，我们将聚类结果绘制成散点图，以三种不同颜色标记不同的类别的数据点。

#提取不同类别的数据

loan_data0=loan_data.loc[loan_data[“label”] == 0]

loan_data1=loan_data.loc[loan_data[“label”] == 1]

loan_data2=loan_data.loc[loan_data[“label”] == 2]

#绘制聚类结果的散点图

plt.rc(‘font’, family=’STXihei’, size=10)

plt.scatter(loan_data0[‘loan_amnt’],loan_data0[‘annual_inc’],50,color=’#99CC01′,marker=’+’,linewidth=2,alpha=0.8)

plt.scatter(loan_data1[‘loan_amnt’],loan_data1[‘annual_inc’],50,color=’#FE0000′,marker=’+’,linewidth=2,alpha=0.8)

plt.scatter(loan_data2[‘loan_amnt’],loan_data2[‘annual_inc’],50,color=’#0000FE’,marker=’+’,linewidth=2,alpha=0.8)

plt.xlabel(‘贷款金额’)

plt.ylabel(‘年收入’)

plt.xlim(0,25000)

plt.grid(color=’#95a5a6′,linestyle=’–‘, linewidth=1,axis=’both’,alpha=0.4)

plt.show()

绿色表示第一个类别的用户属于贷款金额居中，年收入较高的一群人。红色第二个类别的用户属于贷款金额较低，年收入也较低的一群人。蓝色表示第三个类别的用户则属于贷款金额高，年收入居中的一群人。