第四次作业

1. 应用K-means算法进行图片压缩

读取一张图片

观察图片文件大小，占内存大小，图片数据结构，线性化

用kmeans对图片像素颜色进行聚类

获取每个像素的颜色类别，每个类别的颜色

压缩图片生成：以聚类中收替代原像素颜色，还原为二维

观察压缩图片的文件大小，占内存大小

import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
import numpy as np
import sys

Myjpg = plt.imread("hzw.jpg")  #读取图片
image = Myjpg[::3, ::3]       #先进行每三个像素取一个进性压缩
X = image.reshape(-1, 3)

n_colors = 32   #分成32类
est = KMeans(n_colors)    #构建模型
lables = est.fit_predict(X)    #训练
colors = est.cluster_centers_                #得到聚类中心
new_image = colors[lables].reshape(image.shape)   #得到新图片

plt.imshow(new_image.astype(np.uint8))
plt.show()
plt.imshow(image)
plt.show()
print("压缩前图片大小：", image.size)
print("压缩前图片占用内存大小：：", sys.getsizeof(image))

print("压缩后图片大小：", new_image.size)
print("压缩后图片占用内存大小：：", sys.getsizeof(new_image))

 原图：

 

 压缩后：

 

 

 

 

2. 观察学习与生活中可以用K均值解决的问题。从数据-模型训练-测试-预测完整地完成一个应用案例。这个案例会作为课程成果之一，单独进行评分。

 

 将爬取到车俩的数据进性聚类，使用总价列将分成3类。

import pandas as pd

data2 = pd.read_csv('./201706120031谢海源（已处理）.csv',index_col= 0)

y_data = data2.iloc[:,3]          #取总价列
y_data = np.array(y_data)


new_data = y_data.reshape(-1,1)
est1 = KMeans(n_clusters = 3)
lable1 = est1.fit_predict(new_data)
jiage = est1.cluster_centers_

 

 结果可以看出，6.5类的是较低价格，16.57的是普通，28.4是较高价格