使用 sklearn 在 3 维上进行 K 均值聚类

Posted 2023-03-12

【中文标题】使用 sklearn 在 3 维上进行 K 均值聚类

【英文标题】：K-means clustering on 3 dimensions with sklearn

【发布时间】：2017-11-30 16:32:24

【问题描述】：

我正在尝试使用 lat/lon 作为 X/Y 轴和 DaysUntilDueDate 作为我的 Z 轴对数据进行聚类。我还想保留索引列 ('PM')，以便稍后使用此聚类分析创建计划。我发现here 的教程非常棒，但我不知道它是否考虑了 Z 轴，而且我四处寻找除了错误之外没有任何结果。我认为代码中的重点是这一行的iloc位的参数：

kmeans_model = KMeans(n_clusters=k, random_state=1).fit(A.iloc[:, :])

我尝试将此部分更改为 iloc[1:4]（仅适用于第 1-3 列），但这导致了以下错误：

ValueError: n_samples=3 should be >= n_clusters=4

所以我的问题是：如何设置我的代码以在 3 维上运行聚类分析，同时保留索引 ('PM') 列？

这是我的python文件，感谢您的帮助：

from sklearn.cluster import KMeans
import csv
import pandas as pd

# Import csv file with data in following columns:
#    [PM (index)] [Longitude] [Latitude] [DaysUntilDueDate]

df = pd.read_csv('point_data_test.csv',index_col=['PM'])

numProjects = len(df)
K = numProjects // 3    # Around three projects can be worked per day


print("Number of projects: ", numProjects)
print("K-clusters: ", K)

for k in range(1, K):
    # Create a kmeans model on our data, using k clusters.
    #   Random_state helps ensure that the algorithm returns the
    #   same results each time.
    kmeans_model = KMeans(n_clusters=k, random_state=1).fit(df.iloc[:, :])

    # These are our fitted labels for clusters --
    #   the first cluster has label 0, and the second has label 1.
    labels = kmeans_model.labels_

    # Sum of distances of samples to their closest cluster center
    SSE = kmeans_model.inertia_

print("k:",k, " SSE:", SSE)

# Add labels to df
df['Labels'] = labels
#print(df)

df.to_csv('test_KMeans_out.csv')

【参考方案1】：

看来问题出在iloc[1:4] 的语法上。

从你的问题看来你改变了：

kmeans_model = KMeans(n_clusters=k, random_state=1).fit(df.iloc[:, :])

到：

kmeans_model = KMeans(n_clusters=k, random_state=1).fit(df.iloc[1:4])

在我看来，要么您有错字，要么您不了解 iloc 的工作原理。所以我会解释的。

您应该首先阅读 Pandas 文档中的 Indexing and Selecting Data。

但简而言之，.iloc 是一种基于整数的索引方法，用于按位置选择数据。

假设你有数据框：

 A    B    C
 1    2    3
 4    5    6
 7    8    9
10   11   12  

在您提供的示例中使用 iloc iloc[:,:] 会选择所有行和列并生成整个数据框。如果您不熟悉 Python 的切片符号，请查看问题Explain slice notation 或An Informal Introduction to Python 的文档。您所说的示例导致您的错误iloc[1:4] 选择索引 1-3 处的行。这将导致：

 A    B    C
 4    5    6
 7    8    9
10   11   12 

现在，如果您考虑一下您正在尝试做什么以及您收到的错误，您会意识到您从数据中选择的样本数量少于您正在寻找的集群。 3 个样本（第 1、2、3 行），但您告诉 KMeans 找到 4 个集群，这是不可能的。

您真正打算做的（据我了解）是选择与您的 lat、lng 和 z 值相对应的所有行和列 1-3。为此，只需添加一个冒号作为 iloc 的第一个参数，如下所示：

df.iloc[:, 1:4]

现在您将选择所有样本以及索引 1、2 和 3 处的列。现在，假设您有足够的样本，KMeans 应该可以按预期工作。