使用 Python 的 KMeans 聚类

Question

我有一个数据集

Name    System
A       AZ
A       NaN
B       AZ
B       NaN
B       NaN
C       AY
C       AY
D       AZ
E       AY
E       AY
E       NaN
F       AZ
F       AZ
F       NaN

使用此数据集，我需要根据针对特定“名称”重复“系统”的次数对数据集进行聚类。

在上面的例子中，名称A、B和D有一个“AZ”“子集”，而C、E有两个“AY”子集，F有两个AZ，所以它是一个不同的集群。

输出示例：

Cluster     Names
AZ          A,B
AY,AY       C,E
AZ,AZ       F

PS。实际数据集的行数和列数可能有所不同 我如何使用基于 ML 的聚类算法（如 KNN、朴素贝叶斯等）来做到这一点？我需要两种方法，一种不忽略 NaN，一种忽略 NaN。

Answer 1

IIUC，这看起来像双 groupby。您首先需要按 Name 和 System 分组并聚合 System 以形成集群。那么这是一个简单的groupby，聚合为字符串。

(df.groupby(['Name', 'System'])
   ['System'].agg(Cluster=','.join)          # clusters of repeats
   .droplevel('System').reset_index()
   .groupby('Cluster')['Name'].agg(','.join) # aggregate by cluster
   .reset_index()
)

输出：

  Cluster   Name
0   AY,AY    C,E
1      AZ  A,B,D
2   AZ,AZ      F

注意。我在这里使用 ','.join 聚合，但您也可以使用 tuple 或自定义函数（第一个 groupby）和 frozenset（第二个 groupby）来保持对个别元素

(df.groupby(['Name', 'System'], dropna=False)
   ['System'].agg(Cluster=lambda x: (x.iloc[0], len(x)))
   .droplevel('System').reset_index()
   .groupby('Cluster')['Name'].agg(frozenset)
   .reset_index()
)

输出：

    Cluster       Name
0   (AY, 2)     (E, C)
1   (AZ, 1)  (B, A, D)
2   (AZ, 2)        (F)
3  (nan, 1)  (E, F, A)
4  (nan, 2)        (B)

使用 Python 的 KMeans 聚类

KMeans Clustering using Python

python

k-means

knn

hierarchical-clustering