不同含量果汁饮料的聚类（K-Means）

【实验内容】

某企业通过采集企业自身流水线生产的一种果汁饮料含量的数据集，来实现K-Means算法。通过聚类以判断该果汁饮料在一定标准含量偏差下的生产质量状况，对该饮料进行类别判定。

 【数据集】
 
 该数据集共有样本59个，变量2个，包括juice（该饮料的果汁含量偏差）、sweet（该饮料的糖分含量偏差），单位均为mg/ml。 
 
 所有特征变量都为与标准含量相比的偏差，该数据集没有目标类别标签变量。

【实验要求】

1.加载数据集，读取数据，探索数据。（数据集路径：data/data76878/4_beverage.csv）

2.样本数据转化（可将pandasframe格式的数据转化为数组形式），并进行可视化（绘制散点图），观察数据的分布情况，从而可以得出k的几种可能取值。

3.针对每一种k的取值，进行如下操作：

（1）进行K-Means算法模型的配置、训练。

（2）输出相关聚类结果，并评估聚类效果。
   
    这里可采用CH指标来对聚类有效性进行评估。在最后用每个k取值时评估的CH值进行对比，可得出k取什么值时，聚类效果更优。

    注：这里缺乏外部类别信息，故采用内部准则评价指标（CH）来评估。 (metrics.calinski_harabaz_score())       
       
（3）输出各类簇标签值、各类簇中心，从而判断每类的果汁含量与糖分含量情况。

（4）聚类结果及其各类簇中心点的可视化（散点图），从而观察各类簇分布情况。（不同的类表明不同果汁饮料的果汁、糖分含量的偏差情况。）

4.【扩展】（选做）：设置k一定的取值范围，进行聚类并评价不同的聚类结果。

  参考思路：设置k的取值范围；对不同取值k进行训；计算各对象离各类簇中心的欧氏距离，生成距离表；提取每个对象到其类簇中心的距离，并相加；依次存入距离结果；绘制不同看、值对应的总距离值折线图。

python

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.cluster import KMeans
from sklearn import metrics

加载数据集，读取数据，探索数据

python

data = pd.read_csv("./datasets/4_beverage.csv")
print(data)
print(data.shape)

juice sweet 0 2.1041 0.8901 1 -1.0617 -0.4111 2 0.3521 -1.7488 3 -0.1962 2.5952 4 1.4158 1.0928 5 -0.3951 -1.3293 6 1.4717 -1.6269 7 1.1289 1.9430 8 -1.3395 1.4619 9 -1.7840 0.7658 10 0.2253 -1.6511 11 -1.7436 -0.8622 12 1.3344 0.7974 13 -1.5782 1.5956 14 1.5828 -1.9999 15 -1.3934 -1.5497 16 1.2468 -1.5924 17 -1.2568 -2.1163 18 0.9322 1.5899 19 -1.5856 1.6365 20 1.4471 -1.9076 21 -1.2813 -1.1420 22 1.7455 1.4376 23 -1.2829 -1.0061 24 1.6665 1.9916 25 -0.8084 1.7866 26 1.1403 -1.2797 27 -1.3256 -1.5516 28 1.1607 1.5775 29 -0.8429 1.4698 30 0.4698 -2.0118 31 -1.8372 -1.1305 32 1.0231 1.3676 33 -1.5947 1.4925 34 2.1863 1.4717 35 -1.2897 -0.2397 36 0.9445 -1.9819 37 -0.3994 0.7870 38 1.4183 1.6716 39 -1.9189 -1.6785 40 1.0484 1.6938 41 -1.3545 0.3926 42 1.6835 0.9819 43 -1.0607 1.3211 44 1.1648 -1.5882 45 -1.6424 -1.7862 46 1.5457 1.2446 47 -1.5979 1.4422 48 1.1682 -1.9737 49 -0.8932 1.2771 50 1.0951 -0.9530 51 -1.7017 -1.3891 52 0.8891 1.9404 53 -0.8442 1.1151 54 1.2965 -1.0272 55 -2.0036 -1.6035 56 -1.8810 -1.2161 57 1.7710 1.3894 58 -0.8684 2.1205 (59, 2)

样本数据转化（可将pandasframe格式的数据转化为数组形式），并进行可视化（绘制散点图），观察数据的分布情况，从而可以得出k的几种可能取值

python

npdata = np.array(data)  # 转化成numpy数组
x = data.iloc[:, 0: 1]
y = data.iloc[:, 1: 2]
plt.scatter(x, y)  # 绘制散点图
plt.show()

python

for n_clusters in range(3, 10):
  # 进行K-Means算法模型的配置、训练
  kmeans = KMeans(n_clusters)  # 构建聚类器
  kmeans.fit(npdata)
  # 输出相关聚类结果，并评估聚类效果
  y_predict = kmeans.predict(npdata)
  score = metrics.calinski_harabasz_score(npdata, y_predict)
  print('{1} 准确率:{0:f}'.format(score, n_clusters))  # 显示准确率
  # 输出各类簇标签值、各类簇中心，从而判断每类的果汁含量与糖分含量情况
  markers = ['*', 'v', '+', '^', 's', 'x', 'o', '1', '2', '3', '4']  # 标记样式列表
  colors = ['r', 'g', 'm', 'c', 'y', 'b', 'orange', 'black', 'skyblue']  # 标记颜色列表
  labels = kmeans.labels_  # 获取聚类标签
  # 聚类结果及其各类簇中心点的可视化（散点图），从而观察各类簇分布情况
  plt.figure(figsize=(9, 6))
  plt.title('{0}: Juice sweetness'.format(n_clusters), fontsize=30)
  plt.xlabel('sweet', fontsize=15)
  plt.ylabel('Juice', fontsize=15)
  for i in range(n_clusters):
    members = labels == i  # members是一个布尔型数组
    plt.scatter(
      npdata[members, 1],  # 城市经度数组
      npdata[members, 0],  # 城市纬度数组
      marker=markers[i],  # 标记样式
      c=colors[i]  # 标记颜色
    )  # 绘制散点图