仅提取属于特定 kmeans 标签的样本

Question

我目前正在为我使用的一个小型数据集执行 K 均值聚类。我的数据集包含两个集群（集群 0 和集群 1）。我正在尝试区分不同的集群，以便我可以计算每个集群中每个特征的 Mean squared error。例如，我的数据集包含 20 个样本，其中 10 个聚集在质心 0 周围，我想提取集群 0 中的所有样本，并对该样本子集的每个特征执行 MSE。

下面是一段代码：

xX = []

for sample in X:
    sample = list(sample)
    for index in range (len(X)):
        if labels[index] == 0:
            if sample not in xX:
                xX.append(sample)

X 是一个 numpy.ndarray，其中包含具有不同特征的所有样本。 labels 属于 kmeans.labels_ 类型，它也是 numpy.ndarray 并且表示每个样本所属的聚类（0 或 1）。 xX 只是一个 list，我想分别保存属于每个集群的样本。

我当前的代码无法提取属于质心 0 的样本，相反，它忽略了我的 if 语句 (if labels[index] == 0)，只是将整个数据集添加到我的新列表 xX 中。

如果有人能帮助我理解我做错了什么，将不胜感激。

编辑：这是我的 X 数据的样子：

array([[5923210.22, 14.25, 1668.52, 1495373778450.11],
       [1109272.57, 7.47, 49.75, 1495411802900.06],
       [178397.30, 11.67, 245.61, 1495318964821.19],
       [1871514.94, 24.97, 678.05, 1495377767231.84],
       [4501604.93, 42.10, 1252.70, 1495420897842.18]])

这是我的标签的样子：

array([0, 0, 1, 1, 0], dtype=int32)

Answer 1

所以你的代码的问题是外循环——你循环你的样本然后忽略样本并循环你的所有标签。对于每个样本，您都将重新查找所有 0 标签并添加该次数的样本。这就是为什么你需要检查样本是否已经存在——否则你会得到每个样本 3 次（标签中的每个 0 一次）。

您可以将外循环装箱 - 它对您一点帮助都没有 - 您会得到想要的东西

xX = []

for index in range (len(X)):
    if labels[index] == 0:
        xX.append(X[index])

但是有更好的方法 - 将所有循环合并并使用 numpy 进行直接查找。

X[labels == 0]

这将 return 一个布尔数组，其中 true 的位置用于 0 标签。然后它将在 X 中查找在相同位置具有真值的行。这更快更干净。两种方法得到相同的结果

[[  5.92321022e+06   1.42500000e+01   1.66852000e+03   1.49537378e+12]
 [  1.10927257e+06   7.47000000e+00   4.97500000e+01   1.49541180e+12]
 [  4.50160493e+06   4.21000000e+01   1.25270000e+03   1.49542090e+12]]

仅提取属于特定 kmeans 标签的样本

Extract only samples which belong to certain kmeans label

python

numpy

machine-learning

k-means