如何为 Kmeans 散布 plot 并打印异常值

Question

我正在使用 Scikit-Learn KMeans model。

这是我实现的代码，我在其中创建了 3 个集群（0、1、2）：

df = pd.read_csv(r'1.csv',index_col=None)
dummies = pd.get_dummies(data = df)
km = KMeans(n_clusters=3).fit(dummies)
dummies['cluster_id'] = km.labels_
def distance_to_centroid(row, centroid):
    row = row[['id', 'product', 'store', 'revenue','store_capacity', 'state_AL', 'state_CA', 'state_CH',
       'state_WD', 'country_India', 'country_Japan', 'country_USA']]
    return euclidean(row, centroid)
dummies['distance_to_center0'] = dummies.apply(lambda r: distance_to_centroid(r,
    km.cluster_centers_[0]),1)

dummies['distance_to_center1'] = dummies.apply(lambda r: distance_to_centroid(r,
    km.cluster_centers_[1]),1)

dummies['distance_to_center2'] = dummies.apply(lambda r: distance_to_centroid(r,
    km.cluster_centers_[2]),1)

dummies.head()

这是我正在使用的数据集的示例：

   id,product,store,revenue,store_capacity,state
    1,Ball,AB,222,1000,CA
    1,Pen,AB,234,1452,WD
    2,Books,CD,543,888,MA
    2,Ink,EF,123,9865,NY

• 如何为集群创建分散 plot？
• 如何获取和打印异常值（远离集群的点）？

Answer 1

要为集群创建散点 plot，您只需按集群为每个点着色。 以下面的代码为例：

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
from sklearn.cluster import KMeans
import seaborn as sns

df = pd.DataFrame(np.random.rand(10,2), columns=["A", "B"])
km = KMeans(n_clusters=3).fit(df)
df['cluster_id'] = km.labels_
dic = {0:"Blue", 1:"Red", 2:"Green"}
sns.scatterplot(x="A", y="B", data=df, hue="cluster_id", palette = dic)

output：（记住是随机的）

hue除以它们的“cluster_id”值——在我们的例子中，是不同的集群。 palette只是为了控制 colors （之前在dic中定义了一行）

您的数据包含两个以上的标签。 如您所知，我们不能 plot 一个 6 维散布 plot。 您可以执行以下操作之一：

1. Select 只有 2 个特征并显示它们（特征选择）
2. 使用 PCA/TSNE/其他算法降维并使用新特征进行分散（特征提取）

至于你的第二个问题，这取决于你如何定义“异常值”。 没有单一的定义，这取决于具体情况。 运行 KMeans 后，每个点都分配给一个集群。 KMeans 不会给你“好吧，我不确定这一点。它可能是一个异常值”。 一旦您决定了异常值的定义（例如“距中心的距离 > 3”），您只需检查一个点是否为异常值，然后打印它。

如果我误解了任何问题，请澄清。 最好更准确地说明您正在尝试做什么，以便社区为您提供帮助。