Python sklearn-KMeans, wie man die Werte im Cluster bekommt

Question

Ich benutze das Paket sklearn.cluster KMeans. Wenn ich das Clustering abgeschlossen habe, wenn ich wissen muss, welche Werte gruppiert sind, wie kann ich das tun?

Sagen wir, ich hatte 100 Datenpunkte und KMeans gab mir 5 Cluster. Jetzt möchte ich wissen, welche Datenpunkte in Cluster 5 sind. Wie kann ich das tun?

Gibt es eine Funktion, um die Cluster-ID geben, und es wird in diesem Cluster alle Datenpunkte auflisten

Dank.

Answer 1

Sie auf Attribut sehen können labels_

Zum Beispiel

km = KMeans(2) 
km.fit([[1,2,3],[2,3,4],[5,6,7]]) 
print km.labels_ 
output: array([1, 1, 0], dtype=int32) 

Wie Sie ersten und zweiten Punkt sehen können, ist Cluster 1, letzter Punkt in Cluster 0.

Answer 2

Wenn Sie einen großen Datensatz haben und Cluster nach Bedarf extrahieren müssen, wird eine Beschleunigung angezeigt, wenn Sie numpy.where verwenden. Hier ein Beispiel zum Iris-Dataset:

from sklearn.cluster import KMeans 
from sklearn import datasets 
import numpy as np 

centers = [[1, 1], [-1, -1], [1, -1]] 
iris = datasets.load_iris() 
X = iris.data 
y = iris.target 

km = KMeans(n_clusters=3) 
km.fit(X) 

Definieren Sie eine Funktion zum Extrahieren der Indizes der von Ihnen angegebenen Cluster-ID. (Hier sind zwei Funktionen, für Benchmarking, sie beide geben die gleichen Werte):

def ClusterIndicesNumpy(clustNum, labels_array): #numpy 
    return np.where(labels_array == clustNum)[0] 

def ClusterIndicesComp(clustNum, labels_array): #list comprehension 
    return np.array([i for i, x in enumerate(labels_array) if x == clustNum]) 

Angenommen, Sie alle Proben möchten, die in Cluster sind 2:

ClusterIndicesNumpy(2, km.labels_) 
array([ 52, 77, 100, 102, 103, 104, 105, 107, 108, 109, 110, 111, 112, 
     115, 116, 117, 118, 120, 122, 124, 125, 128, 129, 130, 131, 132, 
     134, 135, 136, 137, 139, 140, 141, 143, 144, 145, 147, 148]) 

Numpy gewinnt den Benchmark:

%timeit ClusterIndicesNumpy(2,km.labels_) 

100000 loops, best of 3: 4 µs per loop 

%timeit ClusterIndicesComp(2,km.labels_) 

1000 loops, best of 3: 479 µs per loop 

Jetzt können Sie alle Ihre Cluster-2-Datenpunkte extrahieren etwa so:

X[ClusterIndicesNumpy(2,km.labels_)] 

array([[ 6.9, 3.1, 4.9, 1.5], 
     [ 6.7, 3. , 5. , 1.7], 
     [ 6.3, 3.3, 6. , 2.5], 
     ... #truncated 

doppelt überprüfen Sie die ersten drei Indizes aus dem abgeschnittenen Array oben:

print X[52], km.labels_[52] 
print X[77], km.labels_[77] 
print X[100], km.labels_[100] 

[ 6.9 3.1 4.9 1.5] 2 
[ 6.7 3. 5. 1.7] 2 
[ 6.3 3.3 6. 2.5] 2 

Answer 3

Ich hatte eine ähnliche Anforderung und ich Pandas bin mit einem neuen Datenrahmen mit dem Index des Datensatzes und die Etiketten als Spalten erstellen .

data = pd.read_csv('filename') 

km = KMeans(n_clusters=5).fit(data) 

cluster_map = pd.DataFrame() 
cluster_map['data_index'] = data.index.values 
cluster_map['cluster'] = km.labels_ 

Sobald der Datenrahmen verfügbar ist, ist ganz einfach zu filtern, beispielsweise alle Datenpunkte in Cluster 3

cluster_map[cluster_map.cluster == 3]