如何获取每个簇中的样本？

Question

如何获取每个簇中的样本？

pythonscikit-learncluster-analysisk-means

50

我正在使用sklearn.cluster KMeans包。当我完成聚类后，如果我需要知道哪些值被分组在一起，我该如何做？

比如说我有100个数据点，KMeans给了我5个簇。现在我想知道哪些数据点在第5个簇中，我该怎么办。

是否有一个函数可以给出簇的id并列出该簇中的所有数据点？

- user77005

我刚刚提供了一个回答来解决你的问题。如果有帮助，请告诉我。 - seralouk

您可以使用 .labels_ 来检查。 - Bargitta

6个回答

22

如果您有一个大型数据集，并且需要按需提取聚类，则使用numpy.where会有一些加速。这是针对鸢尾花数据集的示例：

如果您有一个大型数据集，并且需要按需提取聚类，则使用numpy.where会有一定的加速效果。以下是在鸢尾花数据集上的示例：

from sklearn.cluster import KMeans
from sklearn import datasets
import numpy as np

centers = [[1, 1], [-1, -1], [1, -1]]
iris = datasets.load_iris()
X = iris.data
y = iris.target

km = KMeans(n_clusters=3)
km.fit(X)

定义一个函数来提取您提供的 cluster_id 的索引。以下是两个函数，用于基准测试，它们都返回相同的值：

定义一个函数来提取您提供的cluster_id的索引。(这里有两个函数，用于基准测试，它们都返回相同的值):

def ClusterIndicesNumpy(clustNum, labels_array): #numpy 
    return np.where(labels_array == clustNum)[0]

def ClusterIndicesComp(clustNum, labels_array): #list comprehension
    return np.array([i for i, x in enumerate(labels_array) if x == clustNum])

假设你想要所有属于聚类2的样本：

ClusterIndicesNumpy(2, km.labels_)
array([ 52,  77, 100, 102, 103, 104, 105, 107, 108, 109, 110, 111, 112,
       115, 116, 117, 118, 120, 122, 124, 125, 128, 129, 130, 131, 132,
       134, 135, 136, 137, 139, 140, 141, 143, 144, 145, 147, 148])

Numpy胜出基准测试:

%timeit ClusterIndicesNumpy(2,km.labels_)

100000 loops, best of 3: 4 µs per loop

%timeit ClusterIndicesComp(2,km.labels_)

1000 loops, best of 3: 479 µs per loop

现在您可以这样提取所有聚类2的数据点：

X[ClusterIndicesNumpy(2,km.labels_)]

array([[ 6.9,  3.1,  4.9,  1.5], 
       [ 6.7,  3. ,  5. ,  1.7],
       [ 6.3,  3.3,  6. ,  2.5], 
       ... #truncated

请仔细检查上述截断数组的前三个索引：

print X[52], km.labels_[52]
print X[77], km.labels_[77]
print X[100], km.labels_[100]

[ 6.9  3.1  4.9  1.5] 2
[ 6.7  3.   5.   1.7] 2
[ 6.3  3.3  6.   2.5] 2

- Kevin

9

实际上做这件事的方法非常简单：

clusters=KMeans(n_clusters=5)
df[clusters.labels_==0]

第二行返回所有属于第0个聚类的df元素。同样，您可以找到其他聚类元素。

- gonidelis

这很优雅，但我想知道是否有一种方法可以检索在此情况下具有标签0的元素在df中的索引。 - galactica

5

要获取每个聚类内包含的点/样本/观测值的ID，请按照以下步骤进行：

Python 2

使用鸢尾花数据和一种优美的Python方式的示例：

import numpy as np
from sklearn.cluster import KMeans
from sklearn import datasets

np.random.seed(0)

# Use Iris data
iris = datasets.load_iris()
X = iris.data
y = iris.target

# KMeans with 3 clusters
clf =  KMeans(n_clusters=3)
clf.fit(X,y)

#Coordinates of cluster centers with shape [n_clusters, n_features]
clf.cluster_centers_
#Labels of each point
clf.labels_

# Nice Pythonic way to get the indices of the points for each corresponding cluster
mydict = {i: np.where(clf.labels_ == i)[0] for i in range(clf.n_clusters)}

# Transform this dictionary into list (if you need a list as result)
dictlist = []
for key, value in mydict.iteritems():
    temp = [key,value]
    dictlist.append(temp)

结果

#dict format
{0: array([ 50,  51,  53,  54,  55,  56,  57,  58,  59,  60,  61,  62,  63,
            64,  65,  66,  67,  68,  69,  70,  71,  72,  73,  74,  75,  76,
            78,  79,  80,  81,  82,  83,  84,  85,  86,  87,  88,  89,  90,
            91,  92,  93,  94,  95,  96,  97,  98,  99, 101, 106, 113, 114,
           119, 121, 123, 126, 127, 133, 138, 142, 146, 149]),
 1: array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
           17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,
           34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49]),
 2: array([ 52,  77, 100, 102, 103, 104, 105, 107, 108, 109, 110, 111, 112,
           115, 116, 117, 118, 120, 122, 124, 125, 128, 129, 130, 131, 132,
           134, 135, 136, 137, 139, 140, 141, 143, 144, 145, 147, 148])}

# list format
[[0, array([ 50,  51,  53,  54,  55,  56,  57,  58,  59,  60,  61,  62,  63,
             64,  65,  66,  67,  68,  69,  70,  71,  72,  73,  74,  75,  76,
             78,  79,  80,  81,  82,  83,  84,  85,  86,  87,  88,  89,  90,
             91,  92,  93,  94,  95,  96,  97,  98,  99, 101, 106, 113, 114,
             119, 121, 123, 126, 127, 133, 138, 142, 146, 149])],
 [1, array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
            17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,
            34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49])],
 [2, array([ 52,  77, 100, 102, 103, 104, 105, 107, 108, 109, 110, 111, 112,
             115, 116, 117, 118, 120, 122, 124, 125, 128, 129, 130, 131, 132,
             134, 135, 136, 137, 139, 140, 141, 143, 144, 145, 147, 148])]]

Python 3

只需更改

for key, value in mydict.iteritems():

to

for key, value in mydict.items():

- seralouk

1

对于那些使用Python3并遇到此解决方案问题的人，您只需要将iteritems()更改为items()。 - Serdar Sayın

我的答案确实是用的Python2。我现在会将其更新到Python3。干杯 - seralouk

3

你可以查看属性labels_。

例如：

km = KMeans(2)
km.fit([[1,2,3],[2,3,4],[5,6,7]])
print km.labels_
output: array([1, 1, 0], dtype=int32)

你可以看到第一个和第二个点是属于集群 1 的，而最后一个点则属于集群 0。

- Farseer

是的，这种方法可以行得通。但是当有大量数据点时，迭代所有数据点以获取标签并不高效。我只需要给定聚类的数据点列表。难道没有其他方法吗？ - user77005

@user77005，请查看我刚刚发布的答案。 - seralouk

0

你可以简单地将标签存储在数组中。将数组转换为数据框。然后将用于创建K均值的数据与新的带有簇的数据框合并。

显示数据框。现在，你应该看到与对应簇的行。如果你想列出具有特定簇的所有数据，请使用类似data.loc[data['cluster_label_name'] == 2]的东西，假设现在你的簇为2。

- Sandeep Shahi

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Praveen · Accepted Answer

我有类似的需求，正在使用pandas创建一个新数据框，以数据集的索引为行，标签为列。

data = pd.read_csv('filename')

km = KMeans(n_clusters=5).fit(data)

cluster_map = pd.DataFrame()
cluster_map['data_index'] = data.index.values
cluster_map['cluster'] = km.labels_

一旦DataFrame可用，过滤起来非常容易，例如，要过滤聚类3中的所有数据点

cluster_map[cluster_map.cluster == 3]