上一篇我们详细介绍了普通的K-means聚类法在Python和R中各自的实现方法，本篇便以实际工作中遇到的数据集为例进行实战说明。
数据说明：
本次实战样本数据集来自浪潮集团提供的美团的商家信息，因涉及知识产权问题恕难以提供数据地址；
我选择的三个维度的数值型数据分别为“商家评分”，“商家评论数”，“本月销售额”，因为数值极差较大，故对原数据先进行去缺省值-标准化处理，再转为矩阵形式输入K-means算法之中，经Rtsne对原数据进行降维后具体代码和可视化聚类效果如下：
rm(list=ls()) library(readxl) library(Rtsne) setwd('C:\Users\windows\Desktop') data <- read_xlsx('重庆美团商家信息.xlsx') token <- data[1,1] data <- subset(data,数据所属期 == token,select=c('商家评分','商家评论数','本月销售额')) input <- as.matrix(na.omit(data)) #数据标准化 input <- scale(as.matrix(input)) #数据降维 tsne <- Rtsne(input,check_duplicates = FALSE) #自定义代价函数计算函数 Mycost <- function(data,centers_){ l <- length(data[,1]) d <- matrix(0,nrow=l,ncol=length(centers_[,1])) for(i in 1:l){ for(j in 1:length(centers_[,1])){ dd <- 0 for(k in 1:length(data[1,])){ dd <- dd + (data[i,k]-centers_[j,k])^2 } d[i,j] <- sqrt(dd) } } mindist <- apply(d,1,min) return(sum(mindist)) } colors = c('red','green','yellow','black','blue','grey') #对k的值进行试探 cost <- c() par(mfrow=c(2,3)) for(k in 2:7){ cl <- kmeans(input,centers=k) plot(tsne$Y,col=colors[cl$cluster],iter.max=50) title(paste(paste('K-means Cluster of ',as.character(k),'Clusters'))) cost[k-1] <- Mycost(input,cl$centers) } #绘制代价函数变化情况 par(mfrow=c(1,1)) plot(2:7,cost,type='o',xlab='K',ylab='Cost') title('Cost Change')
代价函数变化情况如下：
根据上述代价函数变化情况，依据肘部法则，选取k=3，下面得到k取定3时具体的聚类结果：
cl <- kmeans(input,centers=3,iter.max=50) plot(tsne$Y,col=colors[cl$cluster]) title(paste(paste('K-means Cluster of ',as.character(3),'Clusters')))
再根据聚类的标号结果，进行下面一系列具体的分析：
先来看这三类的平均销售额：
anl <- na.omit(data) anl$类别 <- cl$cluster str(anl) type1 <- subset(anl,类别==1) type2 <- subset(anl,类别==2) type3 <- subset(anl,类别==3) goaldata <- matrix(0,nrow=3,ncol=3) goaldata[1,] = apply(type1[,1:3],2,mean) goaldata[2,] = apply(type2[,1:3],2,mean) goaldata[3,] = apply(type3[,1:3],2,mean) barplot(log(t(goaldata[3,])),names.arg = c('Type1','Type2','Type3'),xlab='Type',ylab='对数化数值') title('销售额')
店铺平均评分：
店铺平均评论数：
下面再绘制出这三种type的各指标密度分布：
par(mfrow=c(1,3)) plot(density(type1$商家评分)) plot(density(type1$商家评论数)) plot(density(type1$本月销售额)) par(mfrow=c(1,3)) plot(density(type2$商家评分)) plot(density(type2$商家评论数)) plot(density(type2$本月销售额)) par(mfrow=c(1,3)) plot(density(type3$商家评分)) plot(density(type3$商家评论数)) plot(density(type3$本月销售额))
结合上述可视化结果，我们可以推断：type1代表评分较高但热度和知名度都较低的小店，这类店铺是我们推广宣传业务的最有潜力的客户群；type2代表评分较低且热度和知名度都较低的店，这类店在产品和宣传上都比较差劲，是比较劣质的客户群；type3代表着口碑和热度都较高的顶级店铺，这类店铺多为正新鸡排、一只酸奶牛这样的顶级连锁店铺，在宣传和产品上都很优秀，对我们推广宣传业务来说价值不大，因为已经有很成熟的广告体系。
以上便是此次简单的K-means聚类实战，如有不足望提出。