前言
我们接着《从零开始学Python【28】--K均值聚类（理论部分）》一文，继续跟大家分享一下如何借助于Python和R语言工具完成K均值聚类的实战。本次实战的数据来源于虎扑体育（https://nba.hupu.com/stats/players），我们借助于NBA球员的命中率和罚球命中率两个来给各位球员做一次“人以群分”的效果。
首先，我们使用pandas中的read_html函数读取虎扑体育网页中的球员数据表，然后再对数据作清洗（主要是数据类型的转换、变量的重命名和观测的删除）：
# 加载第三包import pandas as pdimport numpy as npimport matplotlib.pyplot as pltfrom sklearn.cluster import KMeans# 读取网页中的数据表table = []for i in range(1,7):
table.append(pd.read_html('https://nba.hupu.com/stats/players/pts/%d' %i)[0])# 所有数据纵向合并为数据框 players = pd.concat(table)# 变量重命名columns=['排名','球员','球队','得分','命中-出手','命中率','命中-三分','三分命中率','命中-罚球','罚球命中率','场次','上场时间']
players.columns=columns# 数据类型转换players.得分 = players.得分.astype('float')
players.命中率 = players.命中率.str[:-1].astype('float')/100players.三分命中率 = players.三分命中率.str[:-1].astype('float')/100players.罚球命中率 = players.罚球命中率.str[:-1].astype('float')/100players.场次 = players.场次.astype('int')
players.上场时间 = players.上场时间.astype('float')# 删除行标签为0的记录players.drop(0,inplace=True)
players.head()
本次一共获得286名球员的历史投篮记录，这些记录包括球员姓名、所属球队、得分、各命中率等信息，下面我们仅使用球员的命中率和罚球命中率来做聚类，主要是为了方便展现聚类效果的图形。首先，我们来看看这两个指标下的散点图：
# 中文和负号的正常显示plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False# 设置绘图风格plt.style.use('ggplot')# 绘制得分与命中率的散点图players.plot(x='罚球命中率',y='命中率',kind='scatter')
plt.show()
通过肉眼，似乎还无法对这286名球员进行聚类（画圈），如果画圈的话，该划为几类合适呢？一般我们可以通过迭代的方式选出合适的聚类个数，即让k值从1到K依次执行一遍，再查看每一次k值对应的簇内离差平方和之和的变化，如果变化幅度突然由大转小时，那个k值就是我们选择的合理个数。具体我们通过图形展现来说明上面的文字：
# 选择最佳的K值X = players[['罚球命中率','命中率']]
K = range(1,int(np.sqrt(players.shape[0])))GSSE = []for k in K:
SSE = []
kmeans = KMeans(n_clusters=k, random_state=10)
kmeans.fit(X)
labels = kmeans.labels_
centers = kmeans.cluster_centers_ for label in set(labels):
SSE.append(np.sum(np.sum((players[['罚球命中率','命中率']].loc[labels == label,]-centers[label,:])**2)))
GSSE.append(np.sum(SSE)) # 绘制K的个数与GSSE的关系plt.plot(K, GSSE, 'b*-')
plt.xlabel('聚类个数')
plt.ylabel('簇内离差平方和')
plt.title('选择最优的聚类个数')
plt.show()
从图中结果显示，当k为7时，看上去簇内离差平方和之和的变化已慢慢变小，那么，我们不妨就将球员聚为7类。如下为聚类效果的代码：
#调用sklearn的库函数num_clusters = 6kmeans = KMeans(n_clusters=num_clusters, random_state=1)
kmeans.fit(X)# 聚类结果标签players['cluster'] = kmeans.labels_# 聚类中心centers = kmeans.cluster_centers_# 绘制散点图plt.scatter(x = X.iloc[:,0], y = X.iloc[:,1], c = players['cluster'], s=50, cmap='rainbow')
plt.scatter(centers[:,0], centers[:,1], c='k', marker = '*', s = 180)
plt.xlabel('罚球命中率')
plt.ylabel('命中率')# 图形显示plt.show()
上图中，散点的不同颜色表示的是聚为不同的簇，黑色五角星为各簇的中心点，看上去其聚类效果有那么点意思。到此，关于使用Python实现K均值聚类的实战我们就分享到这里，接下来将使用R语言重新复现一遍，希望对R语言熟悉的朋友有一点的帮助。如下是R语言的复现脚本：
# 加载第三方包library(ggplot2)# 读取Python中现成下好的数据players = read.csv(file = file.choose())
head(players)# 绘制罚球命中率和命中率散点图ggplot(data = players, mapping = aes(x = 罚球命中率, y = 命中率)) +
geom_point()# 自定义函数选择最佳的K值tot.wssplot <- function(data, nc, seed=1234){ #假设分为一组时的总的离差平方和
tot.wss <- (nrow(data)-1)*sum(apply(data,2,var))
for (i in 2:nc){ #必须指定随机种子数
set.seed(seed)
tot.wss[i] <- sum(kmeans(data, centers=i)$withinss)
}
ggplot(data = NULL, mapping = aes(x = 1:nc, y = tot.wss)) +
geom_point() +
geom_line(color = 'steelblue', size = 1) +
labs(x = '聚类个数', y = '簇内离差平方和', title = '选择最优的聚类个数') +
theme(plot.title = element_text(hjust = 0.5, face = 'bold'))
} #绘制各种组数下的总的组内平方和图tot.wssplot(data = players[,c('罚球命中率','命中率')],
nc = as.integer(sqrt(nrow(players))))# 聚类clust <- kmeans(x = players[,c('罚球命中率','命中率')], centers = 7)
centers = clust$centers
players$cluster = clust$cluster# 聚类效果图ggplot() +
geom_point(data = players,
mapping = aes(x = 罚球命中率, y = 命中率, color = factor(cluster)),size = 1.5) +
geom_point(aes(x = centers[,1], y = centers[,2]),
fill = 'black', shape = 18, size = 3) +
labs(title = '聚类效果图') +
theme(plot.title = element_text(hjust=0.5, face = 'bold'),legend.position="none")
结语
OK，关于使用Python和R语言完成K均值聚类的实战我们就分享到这里，如果你有任何问题，欢迎在公众号的留言区域表达你的疑问。同时，也欢迎各位朋友继续转发与分享文中的内容，让更多的人学习和进步。
关注“每天进步一点点2015”，与小编一同进步！
