#获取数据
import pandas as pd
infor=pd.read_csv('buy_input_1.csv')
infor.head(20)
|
|
|
|
|
#选取预观察数据 #方法1 # x1=infor["Annual Income"] # print(x1) # x2=infor["Spending Score"] # print(x2) # """ #方法2 # x1=infor.iloc[:,3] # print(x1) # x2=infor.iloc[:,4] # print(x2) # """ #方法3 x1 = infor.loc[:, 'Annual Income'] print(x1) x2 = infor.loc[:, 'Spending Score'] print(x2)
|
|
|
|
|
3.进行数据可视化，绘制散点图 |
|
import matplotlib.pyplot as plt
#保证可以显示中文字体
plt.rcParams['font.sans-serif']=['SimHei']
#正常显示负号
plt.rcParams['axes.unicode_minus']=False
#绘制聚类结果2维的散点图
plt.figure(figsize=(8,8))
#选取两个数据维度进行可视化（x1,x2）x1维度会呈现在x坐标轴，x2维度会呈现在y坐标轴
plt.scatter(x1,x2,c="red")
plt.xlabel('Age')
plt.ylabel('Spending Score')
plt.title("网络支出")
plt.show()
|
|
|
|
|
1.数据导入 |
|
#导入库函数
import pandas as pd
#读取“用户信息”,并预览数据
user_infor=pd.read_csv('./buy_input_1.csv')
user_infor.head(10)
|
|
|
|
|
2.数据处理2.1选取数据（特征） |
|
#剔除样本编号 features_x1=user_infor.drop(['CustomerID'],axis=1) features_x1.head(10)
|
|
#剔除基础信息 features_x1=features_x1.drop(['Gender','Age'],axis=1) features_x1.head(10)
|
|
| ## 2.2数据可视化 | |
#选取预观察数据 x1=user_infor["Annual Income"] print(x1) x2=user_infor["Spending Score"] print(x2)
#导入库函数
import matplotlib.pyplot as plt
#创建图表，并设置属性
plt.figure(figsize=(8,8))
plt.title('Annual Income/Spending Score')
plt.xlabel('Annual Income')
plt.ylabel('Spending Score')
#选择特征数据（x1,x2）
plt.scatter(x1 ,x2 ,c='red')
#显示图表
plt.show()
|
|
3.测试算法3.1配置算法（确定K值）¶ |
|
from sklearn.cluster import KMeans #进行K-Means聚类分析 #修改n_clusters=？ #修改n_init=？ #修改max_iter=？ kmeans=KMeans(n_clusters=2,init='k-means++',n_init=2,max_iter=100,random_state=0)
3.2使用算法（计算类别标签）kmeans.fit(features_x1) #将数据特征喂入模型 label_y1=kmeans.predict(features_x1) #预测类别标签 print(label_y1) #打印类别标签
3.3计算聚类中心（质心）centers = kmeans.cluster_centers_ #计算聚类中心 print(centers) #打印聚类中心坐标
3.4标记聚类中心（质心是否改变）¶
import matplotlib.pyplot as plt
#创建图表，并设置属性
plt.figure(figsize=(8,8))
plt.xlabel('Annual Income')
plt.ylabel('Spending Score')
plt.title('Annual Income/Spending Score')
#按类别绘制“用户画像”
plt.scatter(x1,x2, c=label_y1)
#标注聚类中心坐标
plt.scatter(centers[:, 0], centers[:, 1], c='red', marker='x')
#显示图表
plt.show()
3.5应用算法
kmeans.fit(features_x1) #将数据特征喂入模型 label_y1=kmeans.predict(features_x1) #预测类别标签 print(label_y1) #打印类别标签
|
|
| buy_input_1.csv | |
|
CustomerID,Gender,Age,Annual Income,Spending Score |
标签：数据分析,plt,54,x1,购物,网络,Female,x2,Male From： https://www.cnblogs.com/flyingsir/p/18678404