数据挖掘通讲：聚类算法

Apr 14, 2026 · 4 分钟阅读 · 聚类数据挖掘算法 ·

考试情况： 1.大多时候以填空题的形式出现，但是也出现过要自己完整编写的情况。 2.读取数据、特征缩放、建模(kmeans、birch、SpectralClustering)、建模时会使用枚举法调参，建模时同时会进行模型评估(轮廓系数、兰德系数)、绘图(折线图、3D散点图) 3.正式建模之前一定确保数据没有缺失值、并且数据没有object类型

1注意点：
2   1.birch、SpectralClustering这两个算法非常耗资源可能考试环境中的资源不足，运行时会内存溢出，找监考老师。和她说不运行只截图是否可以。

1.读取数据

1import pandas as pd
2import numpy as np

1df = pd.read_csv('./data.csv',encoding='gbk')
2df.head()

	客户编号	套餐品牌	信用等级	是否使用4GUSIM卡	是否4G资费	网龄	当月ARPU	当月MOU	当月DOU	视频流量	微信社交流量	网页浏览流量	营销是否成功
0	10942	2	5	0	1	204	2201.08	2611	54557	22	42	1528	0
1	13382	2	5	0	0	201	2181.71	3371	35250	15	24	1120	0
2	4192	2	5	1	1	167	2055.60	6913	5884426	1	2708	0	1
3	10908	2	5	1	0	171	1827.33	2157	178070	4	260	15	1
4	14130	2	5	0	1	216	1736.40	4218	358592	35	28	0	1

1# 观察缺失值
2df.isnull().sum()

客户编号           0
套餐品牌           0
信用等级           0
是否使用4GUSIM卡    0
是否4G资费         0
网龄             0
当月ARPU         0
当月MOU          0
当月DOU          0
视频流量           0
微信社交流量         0
网页浏览流量         0
营销是否成功         0
dtype: int64

1# 查看数据类型
2df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 20000 entries, 0 to 19999
Data columns (total 13 columns):
 #   Column       Non-Null Count  Dtype  
---  ------       --------------  -----  
 0   客户编号         20000 non-null  int64  
 1   套餐品牌         20000 non-null  int64  
 2   信用等级         20000 non-null  int64  
 3   是否使用4GUSIM卡  20000 non-null  int64  
 4   是否4G资费       20000 non-null  int64  
 5   网龄           20000 non-null  int64  
 6   当月ARPU       20000 non-null  float64
 7   当月MOU        20000 non-null  int64  
 8   当月DOU        20000 non-null  int64  
 9   视频流量         20000 non-null  int64  
 10  微信社交流量       20000 non-null  int64  
 11  网页浏览流量       20000 non-null  int64  
 12  营销是否成功       20000 non-null  int64  
dtypes: float64(1), int64(12)
memory usage: 2.0 MB

2.标准化

1from sklearn.preprocessing import StandardScaler
2
3model_std = StandardScaler()  # 定义规则
4df_std = model_std.fit_transform(df)# 将规则应用于数据上
5df_std = pd.DataFrame(data=df_std,columns=df.columns) # 转型

3.建模\调参\评估\绘图

1# 使用kmeans 进行建模
2
3from sklearn.cluster import KMeans
4from sklearn.metrics import silhouette_score  # 轮廓系数：多个模型之间进行对比，取一个相对较好的模型
5import matplotlib.pyplot as plt

 1k_list,silhouette_list,inertia_list = [],[],[]
 2for k in range(2,8):
 3    
 4    model_kmeans = KMeans(n_clusters=k)  # 设置参数
 5    model_kmeans.fit(df_std) # 训练模型
 6
 7    # 评分
 8    label = model_kmeans.labels_
 9    sh_score =silhouette_score(df_std,label)  # 轮廓系数
10    l_s = model_kmeans.inertia_  # 兰德系数
11    
12    k_list.append(k)
13    silhouette_list.append(sh_score)
14    inertia_list.append(l_s)
15    
16    print(k,'++++++',sh_score,'++++++',l_s) 
17    
18plt.xlabel("k num")
19plt.ylabel("silhouette score")
20plt.title("silhouette score")
21plt.plot(k_list,silhouette_list) # 折线图
22plt.show()
23
24plt.xlabel("k num")
25plt.ylabel("inertia score")
26plt.title("inertia score")
27plt.plot(k_list,inertia_list) # 折线图
28plt.show()

2 ++++++ 0.1784261693635658 ++++++ 219227.38919629235
3 ++++++ 0.16988375182258506 ++++++ 198840.83874924868
4 ++++++ 0.17731519901598664 ++++++ 183267.69394558563
5 ++++++ 0.17658230764923027 ++++++ 171755.68803342295
6 ++++++ 0.17207627267051012 ++++++ 162250.13611522608
7 ++++++ 0.1760978371843637 ++++++ 152567.52483908107

1# 使用 birch 算法进行建模
2from sklearn.cluster import Birch
3import numpy as np

 1k_list,silhouette_list,inertia_list = [],[],[]
 2for k in range(2,8):
 3    
 4    model_birch = Birch(n_clusters=k)  # 设置参数
 5    model_birch.fit(np.ascontiguousarray(df_std)) # 训练模型
 6
 7    # 评分
 8    label = model_birch.labels_
 9    sh_score =silhouette_score(df_std,label)  # 轮廓系数    
10    k_list.append(k)
11    silhouette_list.append(sh_score)
12    inertia_list.append(l_s)
13    
14    print(k,'++++++',sh_score,'++++++',l_s) 
15    
16plt.xlabel("k num")
17plt.ylabel("silhouette score")
18plt.title("silhouette score")
19plt.plot(k_list,silhouette_list) # 折线图
20plt.show()

2 ++++++ 0.15104788884837692 ++++++ 151770.92076401823
3 ++++++ 0.15174224842742617 ++++++ 151770.92076401823
4 ++++++ 0.15266860543391234 ++++++ 151770.92076401823
5 ++++++ 0.15231177536674204 ++++++ 151770.92076401823
6 ++++++ 0.14624573410099415 ++++++ 151770.92076401823
7 ++++++ 0.1380633622171311 ++++++ 151770.92076401823

1from sklearn.cluster import SpectralClustering

 1k_list,silhouette_list,inertia_list = [],[],[]
 2for k in range(2,12):
 3    
 4    model_sc = SpectralClustering(n_clusters=k)  # 设置参数
 5    model_sc.fit(np.ascontiguousarray(df_std)) # 训练模型
 6
 7    # 评分
 8    label = model_sc.labels_
 9    sh_score =silhouette_score(df_std,label)  # 轮廓系数    
10    k_list.append(k)
11    silhouette_list.append(sh_score)
12    inertia_list.append(l_s)
13    
14    print(k,'++++++',sh_score,'++++++',l_s) 
15    
16plt.xlabel("k num")
17plt.ylabel("silhouette score")
18plt.title("silhouette score")
19plt.plot(k_list,silhouette_list) # 折线图
20plt.show()

F:\Anaconda\lib\site-packages\sklearn\manifold\_spectral_embedding.py:259: UserWarning: Graph is not fully connected, spectral embedding may not work as expected.
  warnings.warn(

4.根据前面三种算法的结果，选出最优的算法模型，利用最优的算法模型输出数据集的聚类标签,并将标签结果合并到导入的数据集中;

1model_birch = Birch(n_clusters=3)
2model_birch.fit(np.ascontiguousarray(df_std))

Birch()

In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.

1# result =  /* 此处由考生进行代码填写 */  #返回模型聚类结果
2result = model_birch.labels_
3#将聚类结果添加至df_norm
4df_std['lable'] = result
5df_std['lable'].value_counts()
6df_std['lable'].hist()

7.查看不同聚类结果下的特征均值，并绘制不同聚类结果下的特征均值折线图，比如各流量占比指标在不同簇的中心值;

1# 创建字典，将要求均值的特征保存
2dict_mean = {'视频流量':'mean','微信社交流量':'mean','网页浏览流量':'mean'}

1df_mean_2 = df_std.groupby(by='lable').agg(dict_mean).reset_index()
2df_mean_3 = df_mean_2.drop(columns='lable',axis=1)
3for x in df_mean_3.index:
4    plt.plot(df_mean_3.columns,df_mean_3.iloc[x])

8.绘制三维散点图查看各簇的数据在三维特征下的数据分布，并描述各个簇的特点

1# pip install Axes3D

 1from mpl_toolkits.mplot3d import Axes3D
 2# 绘制三维散点图查看各个簇的特点
 3colors = ['r','g','cyan']
 4markers = ['s', 'x', 'o']
 5fig = plt.figure(figsize=(10,8))
 6ax = Axes3D(fig)
 7# 循环绘制所有类的散点
 8for i in range(0,3):
 9    df_temp = df_std[df_std['lable']==i]
10    x,y,z =  df_temp['视频流量'],df_temp['微信社交流量'],df_temp['网页浏览流量']
11    ax.scatter(x,y,z,c=colors[i],marker=markers[i]) # 绘制三维散点图
12ax.view_init(elev=20,azim=30)
13ax.set_xlabel('视频流量')
14ax.set_ylabel('微信社交流量')
15ax.set_zlabel('网页浏览流量')
16plt.show()

C:\Users\Administrator\AppData\Local\Temp\ipykernel_13320\1204517065.py:6: MatplotlibDeprecationWarning: Axes3D(fig) adding itself to the figure is deprecated since 3.4. Pass the keyword argument auto_add_to_figure=False and use fig.add_axes(ax) to suppress this warning. The default value of auto_add_to_figure will change to False in mpl3.5 and True values will no longer work in 3.6.  This is consistent with other Axes classes.
  ax = Axes3D(fig)