将 kmeans 的集群/中心重新整理回原始数据帧

Question

这是一些数据。

df <- data.frame(groupvar=rep(c('a','b'),100),v1=rnorm(200),v2=rnorm(200))

现在我在每个组内做 k 个意思：

require(dplyr)

kobjs = df %>% group_by(groupvar) %>%
  do(kclust = kmeans(cbind(.$v1,.$v2),centers=5))

“kobjs”看起来像这样：

  groupvar      kclust
    (fctr)       (chr)
1        a <S3:kmeans>
2        b <S3:kmeans>

我想获取集群分配（以及理想情况下的中心点）并将它们附加到原始数据框中。我想你可以用扫帚来做这个：

require(broom)
merged = kobjs %>%
  group_by(groupvar) %>% do(augment(.$kclust[[1]],df))

但这以某种方式产生了 400X4 矩阵而不是 200X4。那是怎么发生的？如何获得我想要的行为？

EDIT1：通过 aosmith 的一些见解，以我想要的方式解决了问题。可能有一种方法可以让它更优雅（left_join 是否必要？）但这是我想要的行为：

kobjs = df %>%
  do(kmeans(cbind(.$v1,.$v2),centers=5) %>%
       fitted(method="centers") %>% 
       data.frame(cluster=rownames(.),entry=1:length(.),row.names=NULL)) %>%
  left_join(df %>% group_by(groupvar) %>% mutate(entry=1:n()),
            by=c("entry","groupvar"))

Answer 1

目前，您在整个 df 上使用 augment，而不是仅对每个组使用子集。这就是为什么您获得的数据集是您预期的两倍。

因此，您需要使用kobjs 执行以下操作。在创建kobjs 之前，我将种子设置为 16。

kobjs %>%
    group_by(groupvar) %>% 
    do(augment(.$kclust[[1]], df[df$groupvar == .$groupvar,]))

Source: local data frame [200 x 5]
Groups: groupvar [2]

   .rownames groupvar          v1         v2 .cluster
       (chr)   (fctr)       (dbl)      (dbl)   (fctr)
1          1        a  0.30291472  0.2203811        1
2          3        a -0.51381305  0.1480162        1
3          5        a -0.75246517 -0.6407782        2
4          7        a  0.06453416  1.2965984        3
5          9        a -0.62353541 -1.3240648        2
6         11        a  0.18435121 -1.0513837        5
7         13        a -0.26481666  2.8117979        4
8         15        a  0.56643441  0.1434451        1
9         17        a -0.30406035 -0.1477244        1
10        19        a  1.62538120 -0.5972593        5
..       ...      ...         ...        ...      ...

为了得到更像你想要的东西。

您确实有其他选择。例如，您可以在原来的do 步骤中使用augment：

set.seed(16)
df %>% group_by(groupvar) %>%
    do(augment(kmeans(cbind(.$v1,.$v2),centers=5), .))

Source: local data frame [200 x 4]
Groups: groupvar [2]

   groupvar          v1         v2 .cluster
     (fctr)       (dbl)      (dbl)   (fctr)
1         a  0.30291472  0.2203811        1
2         a -0.51381305  0.1480162        1
3         a -0.75246517 -0.6407782        2
4         a  0.06453416  1.2965984        3
5         a -0.62353541 -1.3240648        2
6         a  0.18435121 -1.0513837        5
7         a -0.26481666  2.8117979        4
8         a  0.56643441  0.1434451        1
9         a -0.30406035 -0.1477244        1
10        a  1.62538120 -0.5972593        5
..      ...         ...        ...      ...

您还可以从kmeans 对象中提取cluster，并使用以下do 编码将它们添加到数据集中。不过，这不使用 broom。

set.seed(16)
df %>% group_by(groupvar) %>%
    do(data.frame(., kclust = kmeans(cbind(.$v1,.$v2),centers=5)$cluster))

Source: local data frame [200 x 4]
Groups: groupvar [2]

   groupvar          v1         v2 kclust
     (fctr)       (dbl)      (dbl)  (int)
1         a  0.30291472  0.2203811      1
2         a -0.51381305  0.1480162      1
3         a -0.75246517 -0.6407782      2
4         a  0.06453416  1.2965984      3
5         a -0.62353541 -1.3240648      2
6         a  0.18435121 -1.0513837      5
7         a -0.26481666  2.8117979      4
8         a  0.56643441  0.1434451      1
9         a -0.30406035 -0.1477244      1
10        a  1.62538120 -0.5972593      5
..      ...         ...        ...    ...

编辑以添加在单个 do 调用中保存模型中的两个内容的示例。

您可以在do 中拟合并命名模型对象，然后从中提取多个汇总值，但这涉及到使用大括号（我不确定它们是否包含在您对方括号的非理性恐惧中；- ) )。

这里有两种方法，首先创建model，将拟合值拉出来为fit，并将其与原始数据集绑定在一起（这是data.frame中的第一个.所代表的）。

df %>% group_by(groupvar) %>%
    do( { 
        model = kmeans(cbind(.$v1, .$v2), centers = 5)
        fit = fitted(model, methods = "centers")
        data.frame(., fit, cluster = rownames(fit), row.names = NULL) 
    })

我并不总是喜欢做很多命名，所以第二个选项直接在model 上工作，并跳过fit 步骤。

df %>% group_by(groupvar) %>%
    do( { 
        model = kmeans(cbind(.$v1, .$v2), centers = 5)
        data.frame(., fitted(model, methods = "centers"), cluster = model$cluster, row.names = NULL) 
    })