如何使用 KMeans 对多维和未知数据进行聚类？

Question

我有两个关于使用 Python 进行 Kmeans 聚类的问题。

我有一个名为 Mystery.npy 的自动生成的数据，它的形状是 (30309, 784)。 我正在尝试对其应用 KMeans 聚类，但出现以下错误：

valueerror: the truth value of an array with more than one element is ambiguous. use a.any() or a.all()

您是否知道如何克服此错误，或者如何使用 KMeans 方法对此类数据进行聚类？

第二个问题，是否有特定的代码可以知道我拥有的数据类型？

非常感谢您的帮助。 谢谢，

Answer 1

@Nael Alsaleh，您可以通过以下方式运行 K-Means：

from sklearn.cluster import KMeans
import numpy as np
import matplotlib.pyplot as plt

X=np.load('Mistery.npy')

wx = []
for i in range(1, 11):
    kmeans = KMeans(n_clusters = i, random_state = 0)
    kmeans.fit(X)
    wx.append(kmeans.inertia_)
plt.plot(range(1, 11), wx)
plt.xlabel('Number of clusters')
plt.ylabel('Variance Explained')
plt.show()

请注意， X是一个 numpy 数组。 此代码将创建弯头曲线，您可以在其中 select 完美的簇数，在本例中为 5-6。

如果您正在使用 numpy，您将拥有一个数组：

array([0.86992608, 0.11252552, 0.25573737, ..., 0.32652233, 0.14927118,
        0.1662449 ])

您可能还使用列表，

[0.86992608, 0.11252552, 0.25573737, ..., 0.32652233, 0.14927118,
        0.1662449 ]

您需要转换为array ： np.array(X) ，甚至是Pandas Dataframe：

您可以通过执行以下操作检查Pandas Dataframe 中的列类型：

import pandas as pd
pd.DataFrame(X).dtypes

在numpy , x.dtype

将数据转换为数组后，运行：

n=5
kmeans=KMeans(n_clusters=n, random_state=20).fit(X)
labels_of_clusters = kmeans.fit_predict(X)

这将为您提供每个示例所属的集群 class 的编号。

array([1, 4, 0, 0, 4, 1, 4, 0, 2, 0, 0, 4, 3, 1, 4, 2, 2, 3, 0, 1, 1, 0,
       4, 4, 2, 0, 3, 0, 3, 1, 1, 2, 1, 0, 2, 4, 0, 3, 2, 1, 1, 2, 2, 2,
       2, 0, 0, 4, 1, 3, 1, 0, 1, 4, 1, 0, 0, 0, 2, 0, 1, 2, 2, 1, 2, 2,
       0, 4, 4, 4, 4, 3, 1, 2, 1, 2, 2, 1, 1, 3, 4, 3, 3, 1, 0, 1, 2, 2,
       1, 2, 3, 1, 3, 3, 4, 2, 2, 0, 2, 1, 3, 4, 2, 0, 2, 1, 3, 3, 3, 4,
       3, 1, 4, 4, 4, 2, 0, 3, 2, 0, 1, 2, 2, 0, 3, 1, 1, 1, 4, 0, 2, 2,
       0, 0, 1, 1, 0, 3, 0, 2, 2, 1, 2, 2, 4, 0, 1, 0, 3, 1, 4, 4, 0, 4,
       1, 2, 0, 2, 4, 0, 1, 2, 3, 1, 1, 0, 3, 2, 4, 0, 1, 3, 1, 2, 4, 3,
       1, 1, 2, 0, 0, 2, 3, 1, 3, 4, 1, 2, 2, 0, 2, 1, 4, 3, 1, 0, 3, 2,
       4, 1, 4, 1, 4, 4, 0, 4, 4, 3, 1, 3, 4, 0, 4, 2, 1, 1, 3, 4, 0, 4,
       4, 4, 4, 2, 4, 2, 3, 4, 3, 3, 1, 1, 4, 2, 3, 0, 2, 4])

可视化：

from sklearn.datasets.samples_generator import make_blobs
X, y_true = make_blobs(n_samples=200, centers=4,
                       cluster_std=0.60, random_state=0)

kmeans = KMeans(n_clusters=4, random_state=0).fit(X)
cc=kmeans.fit_predict(X)

plt.scatter(X[:, 0], X[:, 1], c=cc, s=50, cmap='viridis')

Answer 2

您可以使用scikit- learns KMeans 模块来完成您想要做的事情，这是一个使用您的数据的工作示例：

import numpy as np
from sklearn.cluster import KMeans
# loading your data from .npy-file
mystery = np.load('mystery.npy')
# n_clusters is a hyperparameter set by you
kmeans = KMeans(n_clusters=42, n_jobs=-1).fit(mystery[:1000])
pred = kmeans.predict(mystery[1000:1200])
print(pred)
array([36, 16, 21, 15, 15,  0,  5,  7, 31, 33, 10, 14,  1, 36, 30, 22, 12,
        1, 35, 12, 16, 12, 28, 14, 13, 15,  2, 21, 36,  7,  7,  4, 39,  4,
        4, 18,  5, 31, 17,  2,  2, 26, 38, 34, 34, 36, 13, 13, 26,  1, 26,
        8, 38,  0, 38, 34,  0, 21, 36, 12, 16, 38, 23, 15,  0,  6, 34,  0,
       19,  7,  8, 21, 16, 36, 24,  0,  4, 22, 33, 21, 12, 12,  2, 10, 23,
        2,  3,  0, 12,  0, 24, 21, 12, 33,  4, 14, 34, 10, 21,  0, 33, 26,
       36,  2, 12, 34, 29, 27, 33,  3, 12, 12, 15, 39, 34, 26, 26, 16,  8,
        2, 12,  0, 21, 15, 40, 16, 38, 22, 26, 36, 17,  3, 12,  3, 23, 39,
       34, 36, 33, 38, 15, 21,  7, 34, 23, 33, 34, 33, 26, 34, 26, 30, 16,
        2,  3,  0, 33, 34, 39, 12,  5, 34, 26, 33, 30, 39, 12,  2, 15, 29,
       12, 38, 36, 10, 36, 28,  1, 19, 12, 17, 32, 35, 11, 16, 28, 18, 14,
       15, 31, 34, 19,  0, 17, 12, 11, 39, 18, 26, 31,  0], dtype=int32)

如果您想使用完整的数据集， kmeans.fit(mystery)可能需要一些时间，出于测试目的，我只使用了前 1000 个实例并预测了接下来的 200 个实例。

Answer 3

您是否知道如何克服此错误，或者如何使用 KMeans 方法对此类数据进行聚类？

第一个问题与 scikit-learn 无关，您可以在这里找到一些解释： ValueError: The truth value of an array with multiple element is ambiguous。 使用 a.any() 或 a.all()

在这里： ValueError：具有多个元素的数组的真值是不明确的。 使用 a.any() 或 a.all()：剪影性能算法

你正在做一些语法问题......

第二个问题，是否有特定的代码可以知道我拥有的数据类型？

如何处理.npy 文件，您可以在此处查看： 数据在 *.npy 中的存储方式是什么？