机器学习算法之K-mean聚类算法小案例

Posted 2021-04-08 金融小茶馆

看了一篇关于K-Mean聚类分析的帖子，里面用Uber打车的数据简单的分析了一个纽约5个区打车消费的增长情况。 聚类分析可以通过特定算法将特定数据帮你分类，至于具体算法和各种聚类分析的不同，鉴于我不是数据分析方面的专家，就不班门弄斧了，直接上例子：

把数据读取之后合并，因为只是例子，我就只用了3个月的数据。可以看到数据第一列是Date.Time，也就是打车的日期和时间， Lat和Lon是经纬度，也就是方位数据，Base在例子中没用到。

然后将Date.Time分解成年，日，星期几，小时，分钟。第一个部分是将方位数据进行聚类，第二部分是对星期几和小时数据进行聚类。

kmeans是R自带的方程，都不需要另外引进第三方包。然后对第二列和第三列，也就是Lon和Lat两个方位数据进行聚类。K-Mean聚类的一个劣势是你最好知道要分成几类。然后纽约有5个区（Manhattan，Bronx，Queens，Brooklyn， Staten Island），所以直接告诉它要聚成5类。

把得到的数据标到纽约地图上（用ggmap包）：

上面这张图和纽约区域划分当然不全然一样，但是大方向是差不多，可惜的就是曼哈顿区在1,4都有。暂时可以定1,4为manhattan（曼哈顿），5是Brooklyn（布鲁克林）， 2,3是Queen和Bronx。可以很明显的看出，曼哈顿区打车是最多的，2,3是最少的。

最后根据每个区，每个月进行统计，其实就可以看出来哪个月份打车出行是最多的，因为我只用了三个月，所以只能看出来，2014年4,5,6月份打车一直是增长。

但是我对于打车时间感兴趣，所以就对打车时间进行了聚类分析。按照周几和小时进行聚类，由于不知道该分几类，所以我尝试了4,5,6,7,8，最后觉得6的分类比较好：

这里1最少，5最多，所以把这两组数据提取出来，先对1进行计数：可以看出，这个时间聚类，也就是打车最少的时间段的基本都是周一，周六，周日的凌晨时分。

然后对5进行计数：可以看出打车最多的时间段是周三，四，五，六的下午4点到6点之间。

然后呢就按照区域对时间计数，我想看看不同区域打车的时间段是不是不同。就有了下图：把每个区域时间聚类的前15个放在一起进行作图，可以发现，全部地区打车最多的时间段都集中在下午三点到晚上11点。

区域5也就是Brooklyn（布鲁克林）区，蓝色方框，打车最多的时间段是周六，周日的晚上，看来那边酒吧多？区域3也就是靠近Queens（皇后区），绿色的小三角，打车最多的时间段是周一，周五的晚上。区域1也就是Manhattan（曼哈顿区），红色小圆圈，打车最多的是周三四五的下班时间。

K-Mean聚类分析应用是很广的，因为它简单，比如你把一些贷款人的信息进行聚类，然后就可以去判断哪些特征的人会比较容易拖欠贷款等。但是它也有很多弊端，例如每次计算是随机选取聚类起点然后计算，这会导致每次计算结果可能会有出入等等。当然有更多的改进方法和机制，我这里只是那一个最简单的例子练个手罢了，不进行深入的讨论啦。