Plotly+Pandas+Sklearn：实现用户聚类分群！

2023-11-03 16:30
文章标签 实现 用户 聚类 pandas sklearn plotly 分群

本文主要是介绍Plotly+Pandas+Sklearn：实现用户聚类分群！，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

大家好，我是辰哥~

很多读者问过我：有没有一些比较好的数据分析、数据挖掘的案例？答案是当然有，都在Kaggle上啦。

今天决定开始分享一篇关于聚类的案例，使用的是：超市用户细分数据集。为了方便大家练习，公众号后台回复 211202，即可领取本数据集~

ab3b2785452105751ecc121b0d948375.png

下面分享的是排名Top1的Notebook源码，欢迎参考学习~

一、导入库

# 数据处理
import numpy as np
import pandas as pd
# KMeans聚类
from sklearn.cluster import KMeans# 绘图库
import matplotlib.pyplot as plt
import seaborn as sns
import plotly as py
import plotly.express as px
import plotly.graph_objects as go
py.offline.init_notebook_mode(connected = True)

二、数据EDA

导入数据

首先我们导入数据集：

df62a67081f0716b4357d9ebd764357f.png

我们发现数据中存在5个属性字段，分别是顾客ID、性别、年龄、平均收入、消费等级

数据探索

1、数据形状shape

df.shape# 结果
(200,5)

总共是200行，5列的数据

2、缺失值情况

df.isnull().sum()# 结果
CustomerID                0
Gender                    0
Age                       0
Annual Income (k$)        0
Spending Score (1-100)    0
dtype: int64

可以看到：全部字段都是完整的，没有缺失值

3、数据类型

df.dtypes# 结果
CustomerID                 int64
Gender                    object
Age                        int64
Annual Income (k$)         int64
Spending Score (1-100)     int64
dtype: object

字段类型中，除了性别Gender是字符串，其他都是int64的数值型

4、描述统计信息

描述统计信息主要是查看数值型的数据的相关统计参数的值，比如：个数、中值、方差、最值、四分位数等

9f2dd34ba3e124f012897b01375c6af2.png

为了后续数据处理方便和展示，处理两点：

# 1、设置绘图风格
plt.style.use("fivethirtyeight")# 2、取出重点分析的3个字段
cols = df.columns[2:].tolist()
cols
# 结果
['Age', 'Annual Income (k$)', 'Spending Score (1-100)']

三、3个属性直方图

查看'Age'、 'Annual Income (k$)'、 'Spending Score (1-100)'的直方图，观察整体的分布情况：

# 绘图
plt.figure(1,figsize=(15,6))  # 画布大小
n = 0for col in cols:n += 1 # 子图位置plt.subplot(1,3,n)  # 子图plt.subplots_adjust(hspace=0.5,wspace=0.5)  # 调整宽高sns.distplot(df[col],bins=20)  # 绘制直方图plt.title(f'Distplot of {col}')  # 标题
plt.show()  # 显示图形
75230b5324f420c12e9509717a5b3041.png

四、性别因素

性别人数统计

查看本数据集中男女各有多少人。后续会考虑性别对整体的分析是否有影响。

fc32dde6aaf68b91594b1a41cde9d9c9.png

不同性别下的数据分布

sns.pairplot(df.drop(["CustomerID"],axis=1),hue="Gender",  # 分组字段aspect=1.5)
plt.show()
748c751e8ab12c17e3fc504738097605.png

通过上面的双变量分布图，我们观察到：性别因素对其他3个字段的影响不大

不同性别下年龄和平均收入的关系

plt.figure(1,figsize=(15,6))  # 绘图大小for gender in ["Male", "Female"]:plt.scatter(x="Age", y="Annual Income (k$)", # 指定两个分析的字段data=df[df["Gender"] == gender],  # 待分析的数据，某个gender下s=200,alpha=0.5,label=gender  # 散点的大小、透明度、标签分类)# 横纵轴、标题设置 
plt.xlabel("Age")  
plt.ylabel("Annual Income (k$)")
plt.title("Age vs Annual Income w.r.t Gender")
# 显示图形
plt.show()
503dced558d9c359368425e41eb7cf73.png

不同性别下平均收入和消费得分的关系

plt.figure(1,figsize=(15,6))for gender in ["Male", "Female"]:  # 解释参考上面plt.scatter(x = 'Annual Income (k$)',y = 'Spending Score (1-100)',data=df[df["Gender"] == gender],s=200,alpha=0.5,label=gender)plt.xlabel('Annual Income (k$)')
plt.ylabel('Spending Score (1-100)') 
plt.title("Annual Income vs Spending Score w.r.t Gender")
plt.show()
cdeae76821515f66cd4abe97bbf36caa.png

不同性别下的数据分布情况

通过小提琴图和分簇散点图来观察数据分布情况：

# 分簇散点图：Swarmplots
# 小提琴图：violinplotplt.figure(1,figsize=(15,7))
n = 0for col in cols:n += 1  # 子图顺序plt.subplot(1,3,n)  # 第n个子图plt.subplots_adjust(hspace=0.5,wspace=0.5)  # 调整宽高# 绘制某个col下面的两种图形，通过Gender进行分组显示sns.violinplot(x=col,y="Gender",data=df,palette = "vlag") sns.swarmplot(x=col, y="Gender",data=df)# 轴和标题设置plt.ylabel("Gender" if n == 1 else '')plt.title("Violinplots & Swarmplots" if n == 2 else '')plt.show()

结果如下：

  • 查看到不同Gender下不同字段的分布情况

  • 观察是否有离群点、异常值等

8e7118c45d6daaa22e7d31ec51148eb4.png

五、属性相关性分析

主要是观察属性两两之间的回归性：

cols = ['Age', 'Annual Income (k$)', 'Spending Score (1-100)']  # 这3个属性的相关性分析
plt.figure(1,figsize=(15,6))
n = 0for x in cols:for y in cols:n += 1  # 每循环一次n增加，子图移动一次plt.subplot(3,3,n)  # 3*3的矩阵，第n个图形plt.subplots_adjust(hspace=0.5, wspace=0.5)  # 子图间的宽、高参数sns.regplot(x=x,y=y,data=df,color="#AE213D")  # 绘图的数据和颜色plt.ylabel(y.split()[0] + " " + y.split()[1] if len(y.split()) > 1 else y)plt.show()

具体图形为：

f47beebd6caa9f73300c84795bbbf004.png

上图表明两点：

  • 主对角线是自身和自身的关系，成正比例

  • 其他图形是属性间的，有数据的散点分布，同时还有模拟的相关趋势图

六、两个属性间的聚类

在这里不具体讲解聚类算法的原理和过程，默认有基础

K值选取

我们通过绘制数据的ELBOW图来确定k值。资料大放送：

1、来自官网的参数解释：https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html

2、中文解释参考：https://blog.csdn.net/qq_34104548/article/details/79336584

df1 = df[['Age' , 'Spending Score (1-100)']].iloc[:,:].values  # 待拟合数据
inertia = []   # 空列表，用来存储到质心的距离之和for k in range(1,11):  # k值的选取默认是在1-10之间，经验值是5或者10algorithm = (KMeans(n_clusters=k,  # k值init="k-means++",  # 初始算法选择n_init=10,  # 随机运行次数max_iter=300,  # 最多迭代次数tol=0.0001,  # 容忍最小误差random_state=111,  # 随机种子algorithm="full"))  # 算法选择 auto、full、elkanalgorithm.fit(df1)  # 拟合数据inertia.append(algorithm.inertia_)  # 质心之和
43c907c29c38f5d47b2ced0ab198cdda.png

绘制出K值的变化和质心距离之和的关系：

plt.figure(1,figsize=(15,6))
plt.plot(np.arange(1,11), inertia, 'o')  # 数据绘制两次，标记不同
plt.plot(np.arange(1,11), inertia, '-', alpha=0.5)plt.xlabel("Choose of K")
plt.ylabel("Interia")
plt.show()
c6f096e5241adb88e39e2eda086b78eb.png

最终我们发现：k=4是比较合适的。于是采用k=4来进行数据的真实拟合过程

聚类建模

algorithm = (KMeans(n_clusters=4,  # k=4init="k-means++",n_init=10,max_iter=300,tol=0.0001,random_state=111,algorithm="elkan"))
algorithm.fit(df1)  # 模拟数据

数据进行了fit操作之后，我们得到了标签label和4个质心：

labels1 = algorithm.labels_  # 分类的结果（4类）
centroids1 = algorithm.cluster_centers_  # 最终质心的位置print("labels1:", labels1)
print("centroids1:", centroids1)
f8e7638c3f0b1a0f43be9accd8a41fcb.png

为了展示原始数据的分类效果，官网的案例是下面的操作，我个人觉得有些繁琐：

dfc92fb35c9ff9f115a98ec40886077a.png 10e5565982454d590a450dc00fc265f9.png

进行数据合并：

eba69f016ca068225ca288f9862dde53.png

展示分类效果：

plt.figure(1,figsize=(14,5))
plt.clf()Z = Z.reshape(xx.shape)plt.imshow(Z,interpolation="nearest",extent=(xx.min(),xx.max(),yy.min(),yy.max()),cmap = plt.cm.Pastel2, aspect = 'auto', origin='lower')plt.scatter(x="Age",y='Spending Score (1-100)', data = df , c = labels1 , s = 200)plt.scatter(x = centroids1[:,0], y =  centroids1[:,1], s = 300 , c = 'red', alpha = 0.5)plt.xlabel("Age")
plt.ylabel("Spending Score(1-100)")plt.show()
04dd254bc0440dcabbbda0550c9c965d.png

如果是我，怎么做？当然是使用Pandas+Plolty来完美解决：

a822b9079d42c1966a0e88dfef9651fd.png 737b8a73cc7752c9f95c361000336802.png

看下分类可视化的结果：

px.scatter(df3,x="Age",y="Spending Score(1-100)",color="Labels",color_continuous_scale="rainbow")
61aba842748b533e74a0ab72ec6f1809.png

上面的过程是根据Age和Spending Score(1-100)来进行聚类。在官网上基于同样的方法还进行了：Annual Income (k$)和Spending Score (1-100)字段的聚类。

效果如下，分成了5个类：

411919ce06515420dd4580a77d28bbc8.png

七、3个属性的聚类

根据Age 、 Annual Income 、 Spending Score来进行聚类，最终绘制成3维图形。

K值选取

方法都是相同的，只不过选取了3个字段（上面是某2个）

X3 = df[['Age' , 'Annual Income (k$)' ,'Spending Score (1-100)']].iloc[: , :].values  # 选取3个字段的数据
inertia = []
for n in range(1 , 11):algorithm = (KMeans(n_clusters = n,init='k-means++', n_init = 10 ,max_iter=300, tol=0.0001,  random_state= 111  , algorithm='elkan') )algorithm.fit(X3)   # 拟合数据inertia.append(algorithm.inertia_)

绘制肘图确定k：

plt.figure(1 , figsize = (15 ,6))
plt.plot(np.arange(1 , 11) , inertia , 'o')
plt.plot(np.arange(1 , 11) , inertia , '-' , alpha = 0.5)
plt.xlabel('Number of Clusters') , plt.ylabel('Inertia')
plt.show()
24bfafb59dc41e4cc025be5731dde20a.png

我们最终选取k=6来聚类

建模拟合

algorithm = (KMeans(n_clusters=6,  # 确定的k值init="k-means++",n_init=10,max_iter=300,tol=0.0001,random_state=111,algorithm="elkan"))
algorithm.fit(df2)labels2 = algorithm.labels_
centroids2 = algorithm.cluster_centers_print(labels2)
print(centroids2)

得到标签和质心：

labels2 = algorithm.labels_
centroids2 = algorithm.cluster_centers_

绘图

3维的聚类我们最终选择plotly来展示：

df["labels2"] = labels2trace = go.Scatter3d(x=df["Age"],y= df['Spending Score (1-100)'],z= df['Annual Income (k$)'],mode='markers',marker = dict(color=df["labels2"],size=20,line=dict(color=df["labels2"],width=12),opacity=0.8)
)data = [trace]
layout = go.Layout(margin=dict(l=0,r=0,b=0,t=0),title="six Clusters",scene=dict(xaxis=dict(title="Age"),yaxis = dict(title  = 'Spending Score'),zaxis = dict(title  = 'Annual Income'))
)fig = go.Figure(data=data,layout=layout)fig.show()

下面就是最终的聚类效果：

1ed4e0bc98d369384d56f8b2df709cf5.png ebf1c1a67ededf75b320af91d4e02858.png

公众号后台回复 211202

即可领取本数据集~

fbbdc41019897dd3d935e23cd5c49161.png

干货推荐

e391b877bad487bd8b9d4550b091dc02.png

80fbff0e45cd15ac32156a11f0aace42.png

利用可视化神器 Plotly 绘制酷炫图表


c456cf1205318c051a6d9bc427d4285d.png

5 分钟，使用内网穿透快速实现远程桌面


e2ec9ace2d8a93180272cf1aa7a74e95.png

利用Selenium实现网站自动签到

这篇关于Plotly+Pandas+Sklearn：实现用户聚类分群！的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/339455。

相关文章

python使用watchdog实现文件资源监控

python使用watchdog实现文件资源监控

《python使用watchdog实现文件资源监控》watchdog支持跨平台文件资源监控,可以检测指定文件夹下文件及文件夹变动,下面我们来看看Python如何使用watchdog实现文件资源监控吧... python文件监控库watchdogs简介随着Python在各种应用领域中的广泛使用，其生态环境也
阅读更多...
el-select下拉选择缓存的实现

el-select下拉选择缓存的实现

《el-select下拉选择缓存的实现》本文主要介绍了在使用el-select实现下拉选择缓存时遇到的问题及解决方案,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的... 目录项目场景：问题描述解决方案：项目场景：从左侧列表中选取字段填入右侧下拉多选框，用户可以对右侧
阅读更多...
Python pyinstaller实现图形化打包工具

Python pyinstaller实现图形化打包工具

《Pythonpyinstaller实现图形化打包工具》：本文主要介绍一个使用PythonPYQT5制作的关于pyinstaller打包工具,代替传统的cmd黑窗口模式打包页面,实现更快捷方便的... 目录1.简介2.运行效果3.相关源码1.简介一个使用python PYQT5制作的关于pyinstall
阅读更多...
使用Python实现大文件切片上传及断点续传的方法

使用Python实现大文件切片上传及断点续传的方法

《使用Python实现大文件切片上传及断点续传的方法》本文介绍了使用Python实现大文件切片上传及断点续传的方法,包括功能模块划分（获取上传文件接口状态、临时文件夹状态信息、切片上传、切片合并）、整... 目录概要整体架构流程技术细节获取上传文件状态接口获取临时文件夹状态信息接口切片上传功能文件合并功能小
阅读更多...
python实现自动登录12306自动抢票功能

python实现自动登录12306自动抢票功能

《python实现自动登录12306自动抢票功能》随着互联网技术的发展,越来越多的人选择通过网络平台购票,特别是在中国,12306作为官方火车票预订平台,承担了巨大的访问量,对于热门线路或者节假日出行... 目录一、遇到的问题？二、改进三、进阶–展望总结一、遇到的问题？1.url-正确的表头：就是首先ur
阅读更多...
C#实现文件读写到SQLite数据库

C#实现文件读写到SQLite数据库

《C#实现文件读写到SQLite数据库》这篇文章主要为大家详细介绍了使用C#将文件读写到SQLite数据库的几种方法,文中的示例代码讲解详细,感兴趣的小伙伴可以参考一下... 目录1. 使用 BLOB 存储文件2. 存储文件路径3. 分块存储文件《文件读写到SQLite数据库China编程的方法》博客中，介绍了文
阅读更多...
Redis主从复制实现原理分析

Redis主从复制实现原理分析

《Redis主从复制实现原理分析》Redis主从复制通过Sync和CommandPropagate阶段实现数据同步,2.8版本后引入Psync指令,根据复制偏移量进行全量或部分同步,优化了数据传输效率... 目录Redis主DodMIK从复制实现原理实现原理Psync: 2.8版本后总结Redis主从复制实
阅读更多...
JAVA利用顺序表实现“杨辉三角”的思路及代码示例

JAVA利用顺序表实现“杨辉三角”的思路及代码示例

《JAVA利用顺序表实现“杨辉三角”的思路及代码示例》杨辉三角形是中国古代数学的杰出研究成果之一,是我国北宋数学家贾宪于1050年首先发现并使用的,：本文主要介绍JAVA利用顺序表实现杨辉三角的思... 目录一：“杨辉三角”题目链接二：题解代码：三：题解思路：总结一：“杨辉三角”题目链接题目链接：点击这里
阅读更多...
基于Python实现PDF动画翻页效果的阅读器

基于Python实现PDF动画翻页效果的阅读器

《基于Python实现PDF动画翻页效果的阅读器》在这篇博客中,我们将深入分析一个基于wxPython实现的PDF阅读器程序,该程序支持加载PDF文件并显示页面内容,同时支持页面切换动画效果,文中有详... 目录全部代码代码结构初始化 UI 界面加载 PDF 文件显示 PDF 页面页面切换动画运行效果总结主
阅读更多...
SpringBoot实现基于URL和IP的访问频率限制

SpringBoot实现基于URL和IP的访问频率限制

《SpringBoot实现基于URL和IP的访问频率限制》在现代Web应用中,接口被恶意刷新或暴力请求是一种常见的攻击手段,为了保护系统资源,需要对接口的访问频率进行限制,下面我们就来看看如何使用... 目录1. 引言2. 项目依赖3. 配置 Redis4. 创建拦截器5. 注册拦截器6. 创建控制器8.
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2