Wird Pandas Dataframe-Objekt mit Sklearn Kmeans Clustering arbeiten?

Question

Datensatz ist Pandas Datenrahmen. Dies ist sklearn.cluster.KMeans

km = KMeans(n_clusters = n_Clusters) 

km.fit(dataset) 

prediction = km.predict(dataset) 

Dies ist, wie ich entscheiden, welche Unternehmen gehört zu den Cluster:

for i in range(len(prediction)): 
    cluster_fit_dict[dataset.index[i]] = prediction[i] 

Dies ist, wie Daten-Set aussieht:

A 1 2 3 4 5 6 
B 2 3 4 5 6 7 
C 1 4 2 7 8 1 
... 

wo A, B , C sind Indizes

Ist dies die richtige Art der Verwendung von K-Means?

Answer 1

Um zu wissen, ob Ihre Datenrahmen dataset geeigneten Inhalt hat man explizit auf eine numpy Array umwandeln kann:

dataset_array = dataset.values 
print(dataset_array.dtype) 
print(dataset_array) 

Wenn das Array eine homogene numerische dtype (typischerweise numpy.float64) hat dann ist es in Ordnung sein Scikit-Learn 0.15.2 und später. Sie müssen die Daten möglicherweise noch normalisieren, beispielsweise mit sklearn.preprocessing.StandardScaler.

Wenn Ihr Datenrahmen heterogen typisiert ist, ist die dtype des entsprechenden numpy Array object, die nicht für scikit-lernen geeignet ist. Sie müssen eine numerische Repräsentation für alle relevanten Features extrahieren (zum Beispiel durch Extrahieren von Dummy-Variablen für kategoriale Features) und die Spalten löschen, die keine geeigneten Features sind (z. B. Beispiel-IDs).

Answer 2

Unter der Annahme, alle Werte in dem Datenrahmen sind numerisch,

# Convert DataFrame to matrix 
mat = dataset.as_matrix() 
# Using sklearn 
km = sklearn.cluster.KMeans(n_clusters=5) 
km.fit(mat) 
# Get cluster assignment labels 
labels = km.labels_ 
# Format results as a DataFrame 
results = pandas.DataFrame([dataset.index,labels]).T 

Alternativ Sie KMeans++ for Pandas versuchen könnten.