pandas 数据框对象可以与 sklearn kmeans 聚类一起使用吗？

Question

数据集是 pandas 数据帧。这是sklearn.cluster.KMeans

 km = KMeans(n_clusters = n_Clusters)

 km.fit(dataset)

 prediction = km.predict(dataset)

这就是我决定哪个实体属于哪个集群的方式：

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

这是数据集的样子：

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

其中 A、B、C 是索引

这是使用 k-means 的正确方法吗？

Answer 1

要知道您的数据框 dataset 是否包含合适的内容，您可以显式转换为 numpy 数组：

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

如果数组具有齐次数值 dtype（通常为 numpy.float64），那么它应该适用于 scikit-learn 0.15.2 及更高版本。例如，您可能仍需要使用 sklearn.preprocessing.StandardScaler 规范化数据。

如果你的数据框是异构类型的，对应的numpy数组的dtype会是object，这不适合scikit-learn。您需要为所有相关特征提取数值表示（例如通过为分类特征提取虚拟变量）并删除不适合特征的列（例如样本标识符）。

Answer 2

假设数据框中的所有值都是数字，

# Convert DataFrame to matrix
mat = dataset.values
# 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

或者，您可以尝试 KMeans++ for Pandas。