vue怎么展示聚类分析过程

Posted 2023-04-01

参考技术A 在 Vue 中展示聚类分析过程，可以借助一些图表或可视化工具来进行展示。以下是一些可能有用的技术和工具：

1. D3.js：D3.js 是一种用于创建可视化的 javascript 库，可以使用其提供的各种图表、图形和交互功能来展示聚类分析的过程和结果。

2. ECharts：ECharts 是一个基于 JavaScript 的开源可视化库，支持多种图表类型和交互方式，可以用来展示聚类分析的结果。

3. Plotly.js：Plotly.js 是一个基于 JavaScript 的开源可视化库，提供了多种图表类型和交互功能，可以用来展示聚类分析的过程和结果。

4. Google Charts：Google Charts 是一个 Google 提供的免费可视化库，支持多种图表类型和交互方式，可以用来展示聚类分析的结果。

以上工具都可以在 Vue 中使用，您可以根据需要选择合适的工具和技术来展示聚类分析的过程和结果。一般来说，需要根据具体的需求和数据特点来选择合适的可视化方式。

Python：层次聚类分析——基于基站定位数据商圈分析

Python，聚类分析算法介绍，层次聚类算法、Kmeans聚类算法，sklearn模块中聚类方法、scipy模块中聚类方法介绍

《Python数据分析与挖掘实战》书中本章无原始数据，文中仅展示了聚类分析了各人群聚集区特征（商圈特征，做营销策划住宅区、CBD商场、办公楼这还用聚类分析吗，直接肉眼也能辨别吧，这就是所有的人流特征和规律？）也是没什么实际用处，而且数据源数据预处理过程才是挖掘重点吧，避重就轻。

记录学习一下两点

• 数据标准化方式（归一化、标准化、正规化）
• 聚类分析算法

归一化：无量纲化，提升模型的收敛速度、精度；需考虑标准化前后模型是否同解等价

正则化：一般是为解决模型过拟合问题，除降低特征维度外可选用的方法就是给模型目标函数加入正则化项（即惩罚项，如L1范数（如Lasso），L2范数（如ridge））

 

---

数据标准化 

离差标准化（0-1标准化/max-min标准化）

 

Z标准化（标准差标准化，Z-score标准化）

 

 小数定点标准化，归一化

 

 聚类分析算法

比较经典的有k-means和层次聚类法。

 

层次聚类法

层次聚类法基本过程如下：

• 每一个样本点视为一个簇；
• 计算各个簇之间的距离，最近的两个簇聚合成一个新簇；
• 重复以上过程直至最后只有一簇。

层次聚类不指定具体的簇数，而只关注簇之间的远近，最终会形成一个树形图。

sklearn模块中

1 from sklearn.cluster import AgglomerativeClustering as AC 
2 #sklearn.cluster.AgglomerativeClustering(n_clusters=2, affinity=\'euclidean\', memory=None, connectivity=None, compute_full_tree=\'auto\', linkage=\'ward\')
3 #affinity距离算法
4 #linkage合并的策略
5 model=AC(n_clusters=3,linkage=\'ward\')
6 #linkage : {“ward”, “complete”, “average”}, optional, default: “ward”
7 # “euclidean”, “l1”, “l2”, “manhattan”, “cosine”, or ‘precomputed’. If linkage is “ward”, only “euclidean” is accepted
8 model.fit(data_normal)

 

 linkage criteria 确定用于合并的策略的度量:

• Ward 最小化所有聚类内的平方差总和。这是一种 variance-minimizing （方差最小化）的优化方向， 这是与k-means 的目标函数相似的优化方法，但是用 agglomerative hierarchical（聚类分层）的方法处理。
• Maximum 或 complete linkage 最小化聚类对两个样本之间的最大距离。
• Average linkage 最小化聚类两个聚类中样本距离的平均值。

scipy模块中

 

from scipy.cluster.hierarchy import linkage,dendrogram  # scipy中的层次聚类

Z=linkage(data_normal,method=\'ward\',metric=\'euclidean\')
#method={ ‘single’,‘complete’, ‘average’, ‘weighted’, ‘centroid’, ‘median’,‘ward’ }
#metric={ ‘braycurtis’, ‘canberra’, ‘chebyshev’, ‘cityblock’, ‘correlation’, ‘cosine’, ‘dice’, ‘euclidean’, ‘hamming’, ‘jaccard’, ‘kulsinski’, ‘mahalanobis’, ‘matching’, ‘minkowski’, ‘rogerstanimoto’, ‘russellrao’, ‘seuclidean’, ‘sokalmichener’, ‘sokalsneath’, ‘sqeuclidean’, ‘yule’}
P=dendrogram(Z,0) #系统树图
plot.show()  # 画出聚类图

  

K-means聚类法

 k-means通常被称为 Lloyd’s algorithm（劳埃德算法），其中的k就是最终聚集的簇数。k-means基本过程如下：

• 首先任取（你没看错，就是任取）k个样本点作为k个簇的初始中心；
• 对每一个样本点，计算它们与k个中心的距离，把它归入距离最小的中心所在的簇；
• 等到所有的样本点归类完毕，重新计算k个簇的中心；
• 重复以上过程直至样本点归入的簇不再变动。

 sklearn模块中

1 sklearn.cluster.KMeans(n_clusters=8, init=\'k-means++\', n_init=10, max_iter=300, tol=0.0001, precompute_distances=\'auto\', verbose=0, random_state=None, copy_x=True, n_jobs=1, algorithm=\'auto\')
2 
3 from sklearn.cluster import KMeans
4 kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
5 kmeans.labels_ #kmeans[1]
6 kmeans.cluster_centers_  #kmeans[0]

 

 scipy模块中

 

from scipy.cluster.vq import vq, kmeans, whiten

whitened = whiten(features)
# kmeans聚类前对每个属性特征标准化，除以各自标准差（列）
codebook, distortion = kmeans(whitened, 2) # 标准化后数据及需要聚成类个数
# 返回两个量分别是类中心和损失
label=vq(whitened,codebook)[0] #vq函数根据聚类中心对所有数据进行分类,[0]表示返回两维中的类别

 本文用到代码比较简短，附于此以作记录

 

 1 # -*- coding: utf-8 -*-
 2 """
 3 Created on Mon Oct  1 00:20:30 2018
 4 
 5 @author: Luove
 6 """
 7 
 8 import os
 9 import pandas as pd
10 import numpy as np
11 from scipy.cluster.hierarchy import linkage,dendrogram  # scipy中的层次聚类
12 from sklearn.cluster import AgglomerativeClustering as AC  # sklearn中的层次聚类
13 import matplotlib.pyplot as plt
14 import scipy.cluster.vq
15 os.getcwd()
16 os.chdir(\'D:/Analyze/Python Matlab/Python/BookCodes/Python数据分析与挖掘实战/图书配套数据、代码/chapter14/demo/code\')
17 filepath=\'../data/business_circle.xls\'
18 
19 data=pd.read_excel(filepath)
20 data.head()
21 data=data.iloc[:,1:]
22 data_normal=(data-data.min())/(data.max()-data.min())  # 离差标准化
23 
24 Z=linkage(data_normal,method=\'ward\',metric=\'euclidean\')
25 P=dendrogram(Z,0)
26 plot.show()
27 
28 model=AC(n_clusters=3,linkage=\'ward\')
29 model.fit(data_normal)
30 data_1=pd.concat([data_normal,pd.Series(model.labels_,index=data.index)],axis=1)
31 data_1.columns=list(data_normal.columns)+[\'聚类类别\']
32 data_1.shape
33 # 正确显示 中文及负号
34 plt.rcParams[\'font.sans-serif\']=[\'SimHei\']
35 plt.rcParams[\'axes.unicode_minus\']=False
36 
37 style=[\'bo-\',\'ro-\',\'go-\']
38 xlabels=[\'工作日人均停留时间\',\'凌晨人均停留时间\',\'周末人均停留时间\',\'日均人流量\']
39 
40 for i in range(3):
41     plt.figure()
42     tmp=data_1[data_1[\'聚类类别\']==i].iloc[:,:4]
43     for j in range(len(tmp)):
44         plt.plot(range(1,5),tmp.iloc[j,:],style[i])
45     plt.xticks(range(1,5),xlabels,rotation=20)
46     plt.subplots_adjust(bottom=0.15)
47   

 

 

 

 

 

Ref：

 

三种常用数据标准化方法

数据标准化/归一化normalization

聚类分析：k-means和层次聚类

关于聚类及相似度、距离的知识点及kmeans聚类介绍 

使用scipy进行层次聚类和k-means聚类

K均值聚类和矢量量化（scipy.cluster.vq）

sklearn.cluster.KMeans

sklearn.cluster.AgglomerativeClustering

 

《数据分析与挖掘实战》：源代码及数据需要可自取：https://github.com/Luove/Data