在Python中使用scipy kmeans和kmeans2集群时出现问题

Question

我有一个关于scipy的kmeans和kmeans2 。 我有一组1700个lat-long数据点。 我想在空间上将它们聚类成100个簇。 但是，当使用kmeans vs kmeans2时，我得到了截然不同的结果。 你能解释一下这是为什么吗？ 我的代码如下。

首先，我加载数据并绘制坐标。 这看起来都很正确。

import pandas as pd, numpy as np, matplotlib.pyplot as plt
from scipy.cluster.vq import kmeans, kmeans2, whiten

df = pd.read_csv('data.csv')
df.head()

coordinates = df.as_matrix(columns=['lon', 'lat'])
plt.figure(figsize=(10, 6), dpi=100)
plt.scatter(coordinates[:,0], coordinates[:,1], c='c', s=100)
plt.show()

接下来，我将数据白化并运行kmeans()和kmeans2() 。 当我从kmeans()绘制质心时，它看起来是正确的 - 即大约100个点或多或少代表完整1700点数据集的位置。

N = len(coordinates)
w = whiten(coordinates)
k = 100
i = 20

cluster_centroids1, distortion = kmeans(w, k, iter=i)
cluster_centroids2, closest_centroids = kmeans2(w, k, iter=i)

plt.figure(figsize=(10, 6), dpi=100)
plt.scatter(cluster_centroids1[:,0], cluster_centroids1[:,1], c='r', s=100)
plt.show()

然而，当我接下来从kmeans2()绘制质心时，它对我来说看起来很kmeans2() 。 我希望kmeans和kmeans2的结果非常相似，但它们完全不同。 虽然kmeans的结果似乎只是表示我的完整数据集，但kmeans2的结果看起来几乎是随机的。

plt.figure(figsize=(10, 6), dpi=100)
plt.scatter(cluster_centroids2[:,0], cluster_centroids2[:,1], c='r', s=100)
plt.show()

这是我的k和N的值，以及由kmeans()和kmeans2()产生的数组的大小：

print 'k =', k
print 'N =', N
print len(cluster_centroids1)
print len(cluster_centroids2)
print len(closest_centroids)
print len(np.unique(closest_centroids))

输出：

k = 100
N = 1759
96
100
1759
17

• 为什么len(cluster_centroids1)不等于k ？
• len(closest_centroids)等于N ，这似乎是正确的。 但为什么len(np.unique(closest_centroids))不等于k ？
• len(cluster_centroids2)等于k ，但同样，绘制时， cluster_centroids2似乎不表示原始数据集的方式cluster_centroids1一样。

最后，我绘制了我的全坐标数据集，由集群着色。

plt.figure(figsize=(10, 6), dpi=100)
plt.scatter(coordinates[:,0], coordinates[:,1], c=closest_centroids, s=100)
plt.show()

你可以在这里看到它：

Answer 1

感谢您提供示例代码和图片的好问题！ 这是一个很好的新手问题。

通过仔细阅读文档可以解决大多数特性。 一些东西：

• 在比较原始点集和生成的聚类中心时，您应该尝试将它们绘制在具有相同尺寸的相同图中（即w再次显示结果）。 例如，使用大点绘制聚类中心，并在其上绘制带有小点的原始数据。

• kmeans和kmeans2从不同的情况开始。 kmeans2从点的随机分布开始，并且由于您的数据不均匀分布， kmeans2收敛到非理想的结果。 您可以尝试添加关键字minit='points'并查看结果是否发生变化。

• 由于最初的质心选择是不好的，因此最初的100个质心中只有17个实际上有任何属于它们的点（这与图的随机外观密切相关）。

• 看起来kmeans中的一些质心可能会相互坍塌，如果它产生最小的失真。 （这似乎没有记录。）因此，你将只获得96个质心。