「Python實現一個算法總是比你理解這個算法更簡單,這也是Python如此流行的原因之一。」
在前面的文章中講過數據離散化和KMeans算法的理論理解。
參見：數據離散化及其KMeans算法實現的理解
這篇文章來看看怎樣用Python實現這個事。
01
—
目標
有下圖所示的一系列數據，總共有900多條，這是《Python數據分析與挖掘實戰》這本書第4章的案例數據。
從圖中可見，測量值非常多，但實際上肝氣鬱結要麼就是有要麼就是沒有，就兩種情況；再細緻一點，我們可能分成好、不太好、差、很差四類。當然，具體怎樣分法需要這方面的專業人士來定。
反正，就拿過來這樣一堆數據，根據這組數據情況呢把病人給分成四類。
也就是說，我們的目標就是將這900多條數據用K-Means算法給分成4類。
02
—
實現步驟
Step1，當然是把需要用到的第三方庫給import進來
import pandas as pdimport matplotlib.pyplot as pltfrom sklearn.cluster import KMeans
KMeans就是要用到第三行。
Step2，當然是把數據讀到pandas的dataframe中
datafile = u'../data/discretization_data.xls'data = pd.read_excel(datafile) #這個地方的data的類型是DataFramedata = data[u'肝氣鬱結證型係數'] #這裡的data已經是DataFrame的一列，變成了Series了
上面這個第三行是啥意思呢？因為我們待會要用到的KMeans的輸入數據類型是ndarray的行向量，所以先在這裡把data的一列拿出來。
Step3，創建KMeans的分類器並對Step2中的數據進行聚類。
請看代碼:
k = 4kmodel = KMeans(n_clusters = k, n_jobs = 2) #n_jobs是進程的數量，和cpu個數有關kmodel.fit(data.values.reshape((len(data),1)))c = pd.DataFrame(kmodel.cluster_centers_).sort_values(0) #對聚類中心排序w1 = c.rolling(2).mean().iloc[1:]w = [0] + list(w1[0]) + [data.max()]d_result = pd.cut(data, w, labels = range(k))
就這麼簡單，就7行就搞定了這個事。在這裡，我有必要把這幾行代碼簡要說一下。
第1-3行，就是拿Step2中的數據用KMeans算法給聚類，不是會得到4個分類麼？每個分類不是會有一個中心點麼？如果忘記了，請回過頭去看看這篇文章：數據離散化及其KMeans算法實現的理解。
拿這4個圓心也是存放在第2行創建的這個KMeans的對象kmodel中，確切說在它的cluster_centers_中。它的值是下面圖這樣的，然後再對它們從小到大排序給到c。
第4行，然後我們再把它轉成DataFrame類型，再排一下序（就是代碼第4行幹的事）
第5行，是做窗口平均的，也就是說以rolling的輸入2為窗口大小求平均值。更直白一點，就是第c的（第1個值+第2個值）/2作為新的第2個值，第1個值就沒了，c經過rolling（2）窗口平均後的結果是這樣的。
然後我們把上圖中的第1個值NaN給切掉後再賦給w1。
第6行，是將0作為最小，將data中的最大值作為最大，加入到w1中，w就變成5個值了，c\w1\w分別如下圖的左、中、右。
第7行，所有前面6行都是為這一行服務的，就是要把我們對data分類的5個分類的界限（值）確定下來之後，用cut函數將data分成5類。
Step4：把分類好後的結果給畫出來。代碼如下：
defcluster_plot(d, k): plt.rcParams['font.sans-serif']=['SimHei'] #正常顯示中文標籤 plt.rcParams['axes.unicode_minus'] = False#正常顯示負號 plt.figure(figsize=(8,3))for j in range(0,k): plt.plot(data[d==j],[j for i in d[d==j]],'o') plt.ylim(-0.5, k-0.5)return pltcluster_plot(d_result,k).show()
這裡呢，定義了一個函數cluster_plot的函數，返回一個畫好了cluster的pyplot。
繪製的結果見「03 效果分析」。
03
—
效果分析
下面這個圖就是聚類完成的結果圖。可以看出來，我們通過KMeans算法找到的幾個分界點將900多個數據給很好的分成了4類。
在沒聚類之前的原始數據是這樣的：
上面那個圖看著舒服多了。
在這篇文章中，我們用KMeans算法對數據進行聚類是非常簡單、粗暴的。並沒有指定距離的計算方法、初始的中心點、結束條件等，都是使用了sklearn.cluster中KMeans的默認值，如果需要更詳細的了解需要去看看sklearn的官方文檔。
04
—
小結
用Python做數據分析的感覺就是：做之前沒頭緒、做之後感覺挺簡單。