用 sklearn 对 140W 个点进行 kmeans 基于密度聚类划分，sklearn140w,未经作者许可，禁止转载！

用 sklearn 对 140W 个点进行 kmeans 基于密度聚类划分，sklearn140w,未经作者许可，禁止转载！

本文作者： 编橙之家 - 路易十四 。未经作者许可，禁止转载！
欢迎加入编橙之家 专栏作者。

任务需求：现有140w个某地区的ip和经纬度的对应表，根据每个ip的/24块进行初步划分，再在每个区域越100-200个点进行细致聚类划分由于k值未知，采用密度的Mean Shift聚类方式。

0#目录：

• 原理部分
• 框架资源
• 实践操作
• 效果展示

 

1#原理部分

关于kmeans纯代码实现可以移步之前的一篇

机器学习-聚类算法-k-均值聚类-python详解

 

在文中已经对代码做了详细的注释。

介绍

K-means算法是是最经典的聚类算法之一，它的优美简单、快速高效被广泛使用。它是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。

图示

步骤

1. 从N个点随机选取K个点作为质心
2. 对剩余的每个点测量其到每个质心的距离，并把它归到最近的质心的类
3. 重新计算已经得到的各个类的质心
4. 迭代2～3步直至新的质心与原质心相等或小于指定阈值，算法结束

优点

1. k-平均算法是解决聚类问题的一种经典算法，算法简单、快速。
2. 对处理大数据集，该算法是相对可伸缩的和高效率的，因为它的复杂度大约是O（nkt），其中n是所有对象的数目，k是簇的数目，t是迭代的次数。通常k<<n。这个算法经常以局部最优结束。
3. 算法尝试找出使平方误差函数值最小的k个划分。当簇是密集的、球状或团状的，而簇与簇之间区别明显时，它的聚类效果很好。

缺点

1. K 是事先给定的，这个 K 值的选定是非常难以估计的；
2. 对初值敏感，对于不同的初始值，可能会导致不同的聚类结果。一旦初始值选择的不好，可能无法得到有效的聚类结果；
3. 该算法需要不断地进行样本分类调整，不断地计算调整后的新的聚类中心，因此当数据量非常大时，算法的时间开销是非常大的。
4. 不适合于发现非凸面形状的簇，或者大小差别很大的簇；
5. 对于”噪声”和孤立点数据敏感，少量的该类数据能够对平均值产生极大影响。

关于K值的确定主要在于判定聚合程度：提供几篇论文注意，这些论文仅仅是提供思路，不要去自己写出来，内容有点扯

快速查找最优初始聚类数K的改进K_means算法   Kmeans聚类分析算法中一个新的确定聚类个数有效性的指标_李双虎.pdf   简单有效的确定聚类数目算法_张忠平.pdf

 

2#框架资源

本次基于密度的kmeans算法使用的是 scikit-learn 框架。

官网：http://scikit-learn.org/stable/index.html

聚类算法汇总：http://scikit-learn.org/stable/modules/clustering.html

KMeans算法 : http://scikit-learn.org/stable/auto_examples/cluster/plot_kmeans_assumptions.html#sphx-glr-auto-examples-cluster-plot-kmeans-assumptions-py

MeanShift算法： http://scikit-learn.org/stable/modules/generated/sklearn.cluster.MeanShift.html#sklearn.cluster.MeanShift

meanShift 测试demo：http://scikit-learn.org/stable/auto_examples/cluster/plot_mean_shift.html#sphx-glr-auto-examples-cluster-plot-mean-shift-py

安装框架环境：http://scikit-learn.org/stable/install.html

测试数据集合下载：data  数据比较小，百来个经纬度的点

 

3#实践操作

3.1：运用 Kmeans  使用2-6作为k值评定聚类效果

。请先下载上文中的数据集合，和测试代码放在同一目录下，确保下列运作环境已经安装完成：

 完整运行代码：请结合官方文档，可以理解运行的参数和返回值

from sklearn.cluster import KMeans
from sklearn.externals import joblib
import numpy
import matplotlib.pyplot as plt

 

# -*- coding: utf-8 -*-
from sklearn.cluster import KMeans
from sklearn.externals import joblib
import numpy
import time
import matplotlib.pyplot as plt
 
if __name__ == '__main__':
    ## step 1: 加载数据
    print "step 1: load data..."
    dataSet = []
    fileIn = open('./data.txt')
    for line in fileIn.readlines():
        lineArr = line.strip().split(' ')
        dataSet.append([float(lineArr[0]), float(lineArr[1])])
 
    #设定不同k值以运算
    for k in range(2,10):
        clf = KMeans(n_clusters=k) #设定k  ！！！！！！！！！！这里就是调用KMeans算法
        s = clf.fit(dataSet) #加载数据集合
        numSamples=len(dataSet)
        centroids = clf.labels_
        print centroids,type(centroids) #显示中心点
        print clf.inertia_  #显示聚类效果
        mark = ['or', 'ob', 'og', 'ok', '^r', '+r', 'sr', 'dr', '<r', 'pr']
        #画出所有样例点 属于同一分类的绘制同样的颜色
        for i in xrange(numSamples):
            #markIndex = int(clusterAssment[i, 0])
            plt.plot(dataSet[i][0], dataSet[i][1], mark[clf.labels_[i]]) #mark[markIndex])
        mark = ['Dr', 'Db', 'Dg', 'Dk', '^b', '+b', 'sb', 'db', '<b', 'pb']
        # 画出质点，用特殊图型
        centroids =  clf.cluster_centers_
        for i in range(k):
            plt.plot(centroids[i][0], centroids[i][1], mark[i], markersize = 12)
            #print centroids[i, 0], centroids[i, 1]
        plt.show()

效果截图如下：

 

3.1：使用MeanShift自动生成k值删除游离点

注意此部分中数据集合需要转换为np.array类型。

# -*- coding: utf-8 -*-
from sklearn.cluster import KMeans
from sklearn.externals import joblib
import numpy ,time
import matplotlib.pyplot as plt
from sklearn.cluster import MeanShift, estimate_bandwidth
import numpy as np
 
if __name__ == '__main__':
    ## step 1: 加载数据
    print "step 1: load data..."
 
    dataSet = []
    fileIn = open('./data.txt')
    for line in fileIn.readlines():
        lineArr = line.strip().split(' ')
        dataSet.append([float(lineArr[0]), float(lineArr[1])])
 
    numSamples = len(dataSet)
    X = np.array(dataSet) #列表类型转换成array数组类型
 
    bandwidth = estimate_bandwidth(X, quantile=0.2, n_samples=500)
    clf = MeanShift(bandwidth=bandwidth, bin_seeding=True,cluster_all=True).fit(X)
 
    centroids = clf.labels_
    print centroids,type(centroids) #显示每一个点的聚类归属
    # 计算其自动生成的k，并将聚类数量小于3的排除
    arr_flag = [0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]
    for i in clf.labels_:
        arr_flag[i]+=1
    k = 0
    for i in arr_flag:
        if(i > 3):
            k +=1
    print k
 
    mark = ['or', 'ob', 'og', 'ok', '^r', '+r', 'sr', 'dr', '<r', 'pr']
    #画出所有样例点 属于同一分类的绘制同样的颜色
    for i in xrange(numSamples):
        plt.plot(dataSet[i][0], dataSet[i][1], mark[clf.labels_[i]]) #mark[markIndex])
    mark = ['Dr', 'Db', 'Dg', 'Dk', '^b', '+b', 'sb', 'db', '<b', 'pb']
    # 画出质点，用特殊图型
    centroids =  clf.cluster_centers_
    for i in range(k):
        plt.plot(centroids[i][0], centroids[i][1], mark[i], markersize = 12)
    print centroids #显示中心点坐标
    plt.show()

 

运行截图如下：

 

其中第一部分是每一个点在聚类之后所属的类的标识，可以看出最高有7,说明该集合最多聚集了8个类，显示的数值为5则是聚类中类数目大于3的有5个。

关于项目最后

140w个经纬数据，按照ip/24分类，分出19660个24块，对每一个24块聚类，将分类结果和游离点标记，重新写回数据库，项目完结。

总计运算时间约半小时。其实聚类耗时少，测试时时间主要消耗在绘图上。曾经直接将10000个点一起聚类，但是在大的距离尺度下，密度的衡量值就变化了，导致10000个点只分出10个类别，导致精度不和要求所以拆分块之后再聚类。

打赏支持我写出更多好文章，谢谢！

打赏作者

打赏支持我写出更多好文章，谢谢！