标签：EM set 59 kmeans library getwd ggplot2 聚类 安装包
############### R BASICS #############################
rm(list=ls()) #清除R工作环境中的所有内容
#set the work directory
#setwd("C:/Temp/Cluster")
getwd()
#install.packages("ggplot2") #安装包
library(ggplot2) #加载包
##############Segmentation code ##########################
#import raw data
dat<-read.csv('practice_sample.csv',stringsAsFactors = F)
str(dat) #数据概览
summary(dat)
######Part1:数据探索
sum(is.na(dat[,1:23])) #缺失值总数
colSums(is.na(dat[,1:23])) #显示每列的缺失值数量
mean(!complete.cases(dat$AU002)) #显示缺失值比例
#数据探索-category变量
#install.packages('plyr')
library(plyr)
#分类统计
prof<-ddply(dat,.(XB851),summarise,cnt=length(consumer_profile_key)) #分组统计
View(prof)
#exercise: DS776
#数据探索-numeric变量
mean_var<-dat$AU002
mean_AU002<-c(
var="AU002",
mean=mean(mean_var,na.rm=TRUE) , #na.rm=TRUE去除NA的影响
median=median(mean_var,na.rm=TRUE) ,
quantile(mean_var,c(0,0.01,0.1,0.25,0.5,0.75,0.9,0.99,1),na.rm=TRUE),
max=max(mean_var,na.rm=TRUE),
missing=sum(is.na(mean_var))
)
View(t(mean_AU002))
#exercise: AU009
mean_var<-dat$AU009
mean_AU009<-c(
var="AU009",
mean=mean(mean_var,na.rm=TRUE) , #na.rm=TRUE去除NA的影响
median=median(mean_var,na.rm=TRUE) ,
quantile(mean_var,c(0,0.01,0.1,0.25,0.5,0.75,0.9,0.99,1),na.rm=TRUE),
max=max(mean_var,na.rm=TRUE),
missing=sum(is.na(mean_var))
)
View(t(mean_AU009))
######Part2:缺失值替换
#dat1<-na.omit(dat) #删除有缺失值的记录
#dat2<-dat[complete.cases(dat),] #删除有缺失值的记录
#填补
dat$R2_XB851 <- ifelse(is.na(dat$XB851) == T,0,dat$XB851)
summary(dat$XB851)
summary(dat$R2_XB851)
#exercise: AU002
#subset
dat.sub<-dat[,substr(names(dat),1,3)=="R1_"]
str(dat.sub)
#Scaling
dat.scale<-as.data.frame(scale(dat.sub)) #数据标准化
colSums(dat.scale) #列总和
######Part3: 聚类分析
######Part3.1: K-Means
set.seed(12345)
cluster.km<-kmeans(dat.scale, centers=4,iter.max = 20)
cluster.km$iter #迭代次数
cluster.km$size #每类数量
cluster.km$centers #聚类中心
table(cluster.km$cluster) #每类数量
cluster.km$totss #总平方和 （总平方和=组内平方和+组间平方和）
cluster.km$tot.withinss #组内平方和的总和 （组内平方和越小越好，说明组内差异不大）
cluster.km$betweenss #组间平方和 （组间平方和越大越好，说明组间差异大）
cluster.km$betweenss/cluster.km$totss #组间平方和占总平方和的比例（又称R方，聚类优度），可用于进行聚类比较，该值越大表明组内差距越小，组间差距越大，即聚类效果越好
#将聚类结果合并到原始数据上
clus<-data.frame(cluster=cluster.km$cluster,dat.sub)
#Cluster profiling
clus_profile<-aggregate(.~cluster,data=clus,FUN=mean)
clus_profile
#选择最佳聚类数
#work on sampling data
#by betweenss/totss
set.seed(26987)
dat.temp<-dat.sub[sample(nrow(dat.scale),2000,replace=F),] #抽样
results<-rep(1:20) #比较不同聚类个数下的聚类优度
for (k in 1:20){
fit.km<-kmeans(dat.temp, centers=k,iter.max = 20)
results[k]<-fit.km$betweenss/fit.km$totss
}
round(results,2)
plot(1:20, results, type="b", xlab="Number of Clusters",ylab="results")
#by Silhouette Coefficient
#轮廓系数约趋近1越好
install.packages("fpc")
library(fpc)
K <- 2:8
round <- 5
rst <- sapply(K, function(i){
print(paste("K=",i))
mean(sapply(1:round,function(r){
print(paste("Round",r))
result <- kmeans(dat.temp, i)
stats <- cluster.stats(dist(dat.temp), result$cluster)
stats$avg.silwidth
}))
})
plot(K,rst,type='l',main='Silhouette vs K', ylab='Silhouette')
#做图（聚类优度和轮廓系数）
cluster<-c(2:8)
r<-results[2:8]
sil<-rst
plot(cluster,r,type='b',pch=16,lty=1,ylim=c(0.5,1),xlab='number of clusters',ylab='parameters')
lines(cluster,sil,type='b',lty=2,pch=17)
legend('topleft',inset=0.05,c('results','silhouette'),lty=c(1,2),pch=c(16,17))
#by NbCluster，用多种指标来判断聚类个数，但运行速度较慢
install.packages("NbClust")
library(NbClust)
#provide 30 index to determine optimal number of cluster
set.seed(26987)
nc.index<-NbClust(dat.temp, min.nc=3, max.nc=6, method="kmeans") #从最小聚类数3遍历到最大聚类数6，通过评估指标看分别在聚类数为多少时达到最优，最后选择指标支持数最多的聚类数目为最佳聚类数目。
nc.index$Best.nc
barplot(table(nc.index$Best.nc[1,]),
xlab="Numer of Clusters", ylab="Number of Criteria",
main="Number of Clusters Chosen by 26 Criteria")
#####Part3.2:Hierarchical clustering
set.seed(123)
clus.x<-kmeans(dat.scale, centers=50,iter.max = 200,algorithm ="Lloyd") #algorithm为动态聚类的算法,默认为“Hartigan-Wong", 其他还有"Lloyd","Forgy", "MacQueen"
clus.x$size
hist(clus.x$size)
clus.sub<-data.frame(cluster=clus.x$cluster,dat.sub)
# get cluster means
clus.n50<-aggregate(.~cluster,data=clus.sub,FUN=mean) #按cluster进行分组统计均值
head(clus.n50)
clus.n50.scale<-scale(clus.n50[,-1])
clus.dist<-dist(clus.n50.scale, method = "euclidean") # 距离矩阵
clus.dist
cluster.hc<-hclust(clus.dist) #默认method=complete最长距离法，其他还有最短距离法(single)，离差平方和法(wald)，重心法(centroid)，类平均法(average)等
plot(cluster.hc) # 对聚类结果做树状图
groups_k4<-cutree(cluster.hc, k=4) #利用剪枝函数中的参数k控制聚类个数为4
table(groups_k4)
groups_h10<-cutree(cluster.hc, h=10) #利用剪枝函数中的参数h控制距离为10
table(groups_h10)
plot(cluster.hc)
rect.hclust(cluster.hc, k=4, border="red") #用红色矩形框在树状图中框出聚类个数为4的结果
rect.hclust(cluster.hc, k=3, border="green") #用绿色矩形框在树状图中框出聚类个数为3的结果
#层级聚类采用cophenetic distance用于度量聚类的效果,越接近1越好
cop<-cophenetic(cluster.hc) #cophenetic相关系数测量了原始距离与根据“树”估计的距离之间的相似性
cor(cop, clus.dist)
#绘制二元聚类图
library(cluster)
par(mfrow = c(1,2))
clusplot(clus.n50.scale, groups_k4, color=TRUE, shade=TRUE,labels=2, lines=0)
clusplot(clus.n50.scale, groups_h10, color=TRUE, shade=TRUE,labels=2, lines=0)
######Part3.3:Model Based Clustering
#soft clustering
library(mclust)
cluster.mb<-Mclust(clus.n50.scale,G=4) #进行EM聚类
summary(cluster.mb) #显示聚类结果的信息汇总
cluster.mb.bic<-mclustBIC(clus.n50.scale) #各聚类数下的BIC值
summary(cluster.mb.bic)
######课后练习
#compare on the same data:iris
data<-iris
str(data)
summary(data)
table(data$Species)
dat.test<-scale(iris[,1:4])
head(dat.test)
#Kmeans
set.seed(12345)
clus.kmeans<-kmeans(dat.test,3)
clus.kmeans$centers
# Hierarchical
test.dist<-dist(dat.test, method = "euclidean")
clus.hc<-hclust(test.dist)
plot(clus.hc)
#EM clustering
clus.em<-Mclust(dat.test,G=3)
#在图形上展现
#多维标度分析，将多维空间的研究对象简化到低维空间进行定位
mds = cmdscale(dist(dat.test,method="euclidean"))
head(mds)
#做图
old.par <- par(mfrow = c(1,4))
plot(mds, col=iris$Species, main='true class', pch = 19)
plot(mds, col=clus.kmeans$cluster, main='Kmeans k=3', pch = 19)
plot(mds, col=cutree(clus.hc, k=3), main='Hierarchical', pch = 19)
plot(mds, col=clus.em$classification, main='EM clustering', pch = 19)
标签：EM,set,59,kmeans,library,getwd,ggplot2,聚类,安装包 来源： https://blog.csdn.net/weixin_44498127/article/details/123619199
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。