這篇文章主要介紹“python聚類實(shí)例分析”，在日常操作中，相信很多人在python聚類實(shí)例分析問題上存在疑惑，小編查閱了各式資料，整理出簡(jiǎn)單好用的操作方法，希望對(duì)大家解答”python聚類實(shí)例分析”的疑惑有所幫助！接下來，請(qǐng)跟著小編一起來學(xué)習(xí)吧！

成都創(chuàng)新互聯(lián)公司長(zhǎng)期為數(shù)千家客戶提供的網(wǎng)站建設(shè)服務(wù)，團(tuán)隊(duì)從業(yè)經(jīng)驗(yàn)10年，關(guān)注不同地域、不同群體，并針對(duì)不同對(duì)象提供差異化的產(chǎn)品和服務(wù)；打造開放共贏平臺(tái)，與合作伙伴共同營(yíng)造健康的互聯(lián)網(wǎng)生態(tài)環(huán)境。為額濟(jì)納企業(yè)提供專業(yè)的成都網(wǎng)站建設(shè)、網(wǎng)站建設(shè)，額濟(jì)納網(wǎng)站改版等技術(shù)服務(wù)。擁有十年豐富建站經(jīng)驗(yàn)和眾多成功案例,為您定制開發(fā)。

• 聚類分析

將數(shù)據(jù)存儲(chǔ)為csv格式，導(dǎo)入python，查看前10行數(shù)據(jù)。

import pandas as pd

reviewsdata = pd.read_csv('reviewsdata.csv',index_col=0)#index_col=0第一列所為行索引

reviewsdata.head(10)

從表格中，可以看到不同性別、不同年齡使用不同單詞的頻數(shù)。對(duì)數(shù)據(jù)進(jìn)行聚類分析，并畫出聚類樹形圖。

import scipy

import scipy.cluster.hierarchy as sch

import matplotlib.pylab as plt

import pylab

#生成點(diǎn)與點(diǎn)之間的距離矩陣,這里用的歐氏距離:

disMat = sch.distance.pdist(reviewsdata.T,'euclidean') 

#進(jìn)行層次聚類:

Z=sch.linkage(disMat,method='average') 

#將層級(jí)聚類結(jié)果以樹狀圖表示出來并保存為plot_dendrogram.png

sch.dendrogram(Z,labels=reviewsdata.columns,leaf_font_size=7.5)

plt.rcParams['font.sans-serif'] = ['SimHei'] 

plt.title("口碑的聚類")

pylab.show()

在聚類分析的過程中，是將不同性別年齡的人群使用詞的頻數(shù)生成向量，然后比較這些向量的距離，將距離較近的總結(jié)在一起。距離近意味著措辭相仿，聚類也就是不斷合并兩個(gè)最相近向量的過程。從圖顯示，40多歲男性和50多歲男性在使用單詞方面很接近，但跟60多歲女性明顯不同。整體上，能看出不同年齡段和不同性別之間存在意見差異。

• 幾個(gè)小概念

聚類分析：一種根據(jù)數(shù)據(jù)相似度將數(shù)據(jù)分組對(duì)手法，分組前，不能確定每一類的特征。數(shù)據(jù)相似度通過距離來判斷，求距離的方法有很多種，最簡(jiǎn)單的為歐式距離。本文使用的是層次聚類，文章聚類（一）：DBSCAN算法實(shí)現(xiàn)（r語言）中介紹了DBSCAN聚類方法。

到此，關(guān)于“python聚類實(shí)例分析”的學(xué)習(xí)就結(jié)束了，希望能夠解決大家的疑惑。理論與實(shí)踐的搭配能更好的幫助大家學(xué)習(xí)，快去試試吧！若想繼續(xù)學(xué)習(xí)更多相關(guān)知識(shí)，請(qǐng)繼續(xù)關(guān)注創(chuàng)新互聯(lián)網(wǎng)站，小編會(huì)繼續(xù)努力為大家?guī)砀鄬?shí)用的文章！