绘制 kmeans 的输出（PyCluster impl）答案

【问题标题】：Plotting output of kmeans(PyCluster impl)绘制 kmeans 的输出（PyCluster impl）
【发布时间】：2012-04-08 11:24:00
【问题描述】：

python 中 kmeans 聚类的绘图输出如何？我正在使用 PyCluster 包。 allUserVector 是一个 n x m 维向量，基本上是 n 个用户，具有 m 个特征。

import Pycluster as pc
import numpy as np

clusterid,error,nfound = pc.kcluster(allUserVector, nclusters=3, transpose=0,npass=1,method='a',dist='e')
  clustermap, _, _ = pc.kcluster( allUserVector, nclusters=3,                                    transpose=0,npass=1,method='a',dist='e', )

centroids, _ = pc.clustercentroids( allUserVector, clusterid=clustermap )
print centroids
print clusterid
print nfound

我想在图表中很好地打印集群，清楚地显示集群哪些用户在哪个集群中。每个用户都是一个 m 维向量有输入吗？

【问题讨论】：

标签： python cluster-analysis k-means

【解决方案1】：

绘制m 维数据有点困难。一种方法是通过Principal Component Analysis (PCA) 映射到二维空间。完成此操作后，我们可以使用 matplotlib（基于 this answer）将它们放到绘图中。

import numpy as np
import matplotlib.pyplot as plt
from matplotlib import mlab
import Pycluster as pc

# make fake user data
users = np.random.normal(0, 10, (20, 5))

# cluster
clusterid, error, nfound = pc.kcluster(users, nclusters=3, transpose=0, 
                                       npass=10, method='a', dist='e')
centroids, _ = pc.clustercentroids(users, clusterid=clusterid)

# reduce dimensionality
users_pca = mlab.PCA(users)
cutoff = users_pca.fracs[1]
users_2d = users_pca.project(users, minfrac=cutoff)
centroids_2d = users_pca.project(centroids, minfrac=cutoff)

# make a plot
colors = ['red', 'green', 'blue']
plt.figure()
plt.xlim([users_2d[:,0].min() - .5, users_2d[:,0].max() + .5])
plt.ylim([users_2d[:,1].min() - .5, users_2d[:,1].max() + .5])
plt.xticks([], []); plt.yticks([], []) # numbers aren't meaningful

# show the centroids
plt.scatter(centroids_2d[:,0], centroids_2d[:,1], marker='o', c=colors, s=100)

# show user numbers, colored by their cluster id
for i, ((x,y), kls) in enumerate(zip(users_2d, clusterid)):
    plt.annotate(str(i), xy=(x,y), xytext=(0,0), textcoords='offset points',
                 color=colors[kls])

如果你想绘制数字以外的东西，只需将第一个参数更改为annotate。例如，您可能可以使用用户名或其他方式。

请注意，该空间中的集群可能看起来有点“错误”（例如，下面的 15 似乎更接近红色而不是绿色），因为它不是发生集群的实际空间。在这种情况下，前两个主要成分保留 61百分比方差：

>>> np.cumsum(users_pca.fracs)
array([ 0.36920636,  0.61313708,  0.81661401,  0.95360623,  1.        ])

【讨论】：