机器学习实战之K-Means算法

一，引言

　　先说个K-means算法很高大上的用处，来开始新的算法学习。我们都知道每一届的美国总统大选，那叫一个竞争激烈。可以说，谁拿到了各个州尽可能多的选票，谁选举获胜的几率就会非常大。有人会说，这跟K-means算法有什么关系？当然，如果哪一届的总统竞选，某一位候选人是绝对的众望所归，那自然能以压倒性优势竞选成功，那么我们的k-means算法还真用不上。但是，我们应该知道2004年的总统大选中，候选人的得票数非常接近，接近到什么程度呢？如果1%的选民将手中的选票投向任何一位候选人，都直接决定了总统的归属。那么这个时候，这1%的选民手中的选票就非常关键，因为他们的选票将直接对选举结果产生非常大的影响，所以，如果能够妥善加以引导和吸引，那么这很少的一部分选民还是极有可能会转换立场的。那么如何找出这类选民，以及如何在有限的预算下采取措施来吸引他们呢？

　　答案就是聚类，这就要说到本次要讲到的K-means算法了。通过收集用户的信息，可以同时收集用户满意和不满意的信息；然后将这些信息输入到聚类算法中，就会得到很多的簇；接着，对聚类结果中的每一个簇(最好是最大簇)，精心构造能吸引该簇选民的信息，加以引导；最后，再开展竞选活动并观察上述做法是否有效。而，一旦算法有效，那么就会对选举结果产生非常大的影响，甚至，直接决定了最后的总统归属。

　　　　可见，聚类算法是一个非常了不起的算法。下面，我们就正式开始今天的新算法，K-means聚类算法。

二，K-means聚类算法

1 K-means算法的相关描述

　　聚类是一种无监督的学习，它将相似的对象归到同一簇中。聚类的方法几乎可以应用所有对象，簇内的对象越相似，聚类的效果就越好。K-means算法中的k表示的是聚类为k个簇，means代表取每一个聚类中数据值的均值作为该簇的中心，或者称为质心，即用每一个的类的质心对该簇进行描述。

　　聚类和分类最大的不同在于，分类的目标是事先已知的，而聚类则不一样，聚类事先不知道目标变量是什么，类别没有像分类那样被预先定义出来，所以，聚类有时也叫无监督学习。

　　聚类分析试图将相似的对象归入同一簇，将不相似的对象归为不同簇，那么，显然需要一种合适的相似度计算方法，我们已知的有很多相似度的计算方法，比如欧氏距离，余弦距离，汉明距离等。事实上，我们应该根据具体的应用来选取合适的相似度计算方法。

　　当然，任何一种算法都有一定的缺陷，没有一种算法时完美的，有的只是人类不断追求完美，不断创新的意志。K-means算法也有它的缺陷，但是我们可以通过一些后处理来得到更好的聚类结果，这些在后面都会一一降到。

　　K-means算法虽然比较容易实现，但是其可能收敛到局部最优解，且在大规模数据集上收敛速度相对较慢。

2 K-means算法的工作流程

　　首先，随机确定k个初始点的质心；然后将数据集中的每一个点分配到一个簇中，即为每一个点找到距其最近的质心，并将其分配给该质心所对应的簇；该步完成后，每一个簇的质心更新为该簇所有点的平均值。伪代码如下：

创建k个点作为起始质心，可以随机选择(位于数据边界内)
　　当任意一个点的簇分配结果发生改变时
　　　　对数据集中每一个点
　　　　　　　　对每个质心
　　　　　　　　　　计算质心与数据点之间的距离
　　　　　　　　将数据点分配到距其最近的簇
　　　　对每一个簇，计算簇中所有点的均值并将均值作为质心

　　再看实际的代码：

#导入numpy库
from numpy import *
#K-均值聚类辅助函数

#文本数据解析函数
def numpy import *
    dataMat=[]
    fr=open(fileName)
    for line in fr.readlines():
        curLine=line.strip().split('\t')
        #将每一行的数据映射成float型
        fltLine=map(float,curLine)
        dataMat.append(fltLine)
    return dataMat

#数据向量计算欧式距离    
def distEclud(vecA,vecB):
    return sqrt(sum(power(vecA-vecB,2)))

#随机初始化K个质心(质心满足数据边界之内)
def randCent(dataSet,k):
    #得到数据样本的维度
    n=shape(dataSet)[1]
    #初始化为一个(k,n)的矩阵
    centroids=mat(zeros((k,n)))
    #遍历数据集的每一维度
    for j in range(n):
        #得到该列数据的最小值
        minJ=min(dataSet[:,j])
        #得到该列数据的范围(最大值-最小值)
        rangeJ=float(max(dataSet[:,j])-minJ)
        #k个质心向量的第j维数据值随机为位于(最小值，最大值)内的某一值
        centroids[:,j]=minJ+rangeJ*random.rand(k,1)
    #返回初始化得到的k个质心向量
    return centroids
    
#k-均值聚类算法
#@dataSet:聚类数据集
#@k:用户指定的k个类
#@distMeas:距离计算方法，默认欧氏距离distEclud()
#@createCent:获得k个质心的方法，默认随机获取randCent()
def kMeans(dataSet,k,distMeas=distEclud,createCent=randCent):
    #获取数据集样本数
    m=shape(dataSet)[0]
    #初始化一个(m,2)的矩阵
    clusterAssment=mat(zeros((m,2)))
    #创建初始的k个质心向量
    centroids=createCent(dataSet,k)
    #聚类结果是否发生变化的布尔类型
    clusterChanged=True
    #只要聚类结果一直发生变化，就一直执行聚类算法，直至所有数据点聚类结果不变化
    while clusterChanged:
        #聚类结果变化布尔类型置为false
        clusterChanged=False
        #遍历数据集每一个样本向量
        for i in range(m):
            #初始化最小距离最正无穷；最小距离对应索引为-1
            minDist=inf;minIndex=-1
            #循环k个类的质心
            for j in range(k):
                #计算数据点到质心的欧氏距离
                distJI=distMeas(centroids[j,:],dataSet[i,:])
                #如果距离小于当前最小距离
                if distJI<minDist:
                    #当前距离定为当前最小距离；最小距离对应索引对应为j(第j个类)
                    minDist=distJI;minIndex=j
        #当前聚类结果中第i个样本的聚类结果发生变化：布尔类型置为true，继续聚类算法
        if clusterAssment[i,0] !=minIndex:clusterChanged=True
        #更新当前变化样本的聚类结果和平方误差
        clusterAssment[i,:]=minIndex,minDist**2
    #打印k-均值聚类的质心
    print centroids
    #遍历每一个质心
    for cent in range(k):
        #将数据集中所有属于当前质心类的样本通过条件过滤筛选出来
        ptsInClust=dataSet[nonzero(clusterAssment[:,0].A==cent)[0]]
        #计算这些数据的均值（axis=0：求列的均值），作为该类质心向量
        centroids[cent,:]=mean(ptsInClust,axis=0)
    #返回k个聚类，聚类结果及误差
    return centroids,clusterAssment

　　需要说明的是，在算法中，相似度的计算方法默认的是欧氏距离计算，当然也可以使用其他相似度计算函数，比如余弦距离；算法中，k个类的初始化方式为随机初始化，并且初始化的质心必须在整个数据集的边界之内，这可以通过找到数据集每一维的最大值和最小值；然后最小值+取值范围*0到1的随机数，来确保随机点在数据边界之内。

　　在实际的K-means算法中，采用计算质心-分配-重新计算质心的方式反复迭代，算法停止的条件是，当然数据集所有的点分配的距其最近的簇不在发生变化时，就停止分配，更新所有簇的质心后，返回k个类的质心(一般是向量的形式)组成的质心列表，以及存储各个数据点的分类结果和误差距离的平方的二维矩阵。

　　上面返回的结果中，之所以存储每个数据点距离其质心误差距离平方，是便于后续的算法预处理。因为K-means算法采取的是随机初始化k个簇的质心的方式，因此聚类效果又可能陷入局部最优解的情况，局部最优解虽然效果不错，但不如全局最优解的聚类效果更好。所以，后续会在算法结束后，采取相应的后处理，使算法跳出局部最优解，达到全局最优解，获得最好的聚类效果。

　　可以看一个聚类的例子:

3 后处理提高聚类性能

　　有时候当我们观察聚类的结果图时，发现聚类的效果没有那么好，如上图所示，K-means算法在k值选取为3时的聚类结果，我们发现，算法能够收敛但效果较差。显然，这种情况的原因是，算法收敛到了局部最小值，而并不是全局最小值，局部最小值显然没有全局最小值的结果好。

　　那么，既然知道了算法已经陷入了局部最小值，如何才能够进一步提升K-means算法的效果呢？

　　一种用于度量聚类效果的指标是SSE，即误差平方和， 为所有簇中的全部数据点到簇中心的误差距离的平方累加和。SSE的值如果越小，表示数据点越接近于它们的簇中心，即质心，聚类效果也越好。因为，对误差取平方后，就会更加重视那些远离中心的数据点。

　　显然，我们知道了一种改善聚类效果的做法就是降低SSE，那么如何在保持簇数目不变的情况下提高簇的质量呢？

　　一种方法是：我们可以将具有最大SSE值得簇划分为两个簇（因为，SSE最大的簇一般情况下，意味着簇内的数据点距离簇中心较远），具体地，可以将最大簇包含的点过滤出来并在这些点上运行K-means算法，其中k设为2.

　　同时，当把最大的簇(上图中的下半部分)分为两个簇之后，为了保证簇的数目是不变的，我们可以再合并两个簇。具体地：

　　一方面我们可以合并两个最近的质心所对应的簇，即计算所有质心之间的距离，合并质心距离最近的两个质心所对应的簇。

　　另一方面，我们可以合并两个使得SSE增幅最小的簇，显然，合并两个簇之后SSE的值会有所上升，那么为了最好的聚类效果，应该尽可能使总的SSE值小，所以就选择合并两个簇后SSE涨幅最小的簇。具体地，就是计算合并任意两个簇之后的总得SSE，选取合并后最小的SSE对应的两个簇进行合并。这样，就可以满足簇的数目不变。

　　上面，是对已经聚类完成的结果进行改善的方法，在不改变k值的情况下，上述方法能够起到一定的作用，会使得聚类效果得到一定的改善。那么，下面要讲到的是一种克服算法收敛于局部最小值问题的K-means算法。即二分k-均值算法。

三，二分K-means算法

　　二分K-means算法首先将所有点作为一个簇，然后将簇一分为二。之后选择其中一个簇继续进行划分，选择哪一个簇取决于对其进行划分是否能够最大程度的降低SSE的值。上述划分过程不断重复，直至划分的簇的数目达到用户指定的值为止。

　　二分K-means算法的伪代码如下：

将所有点看成一个簇
当簇数目小于k时
对于每一个簇
    计算总误差
    在给定的簇上面进行k-均值聚类（k=2）
    计算将该簇一分为二之后的总误差
选择使得总误差最小的簇进行划分

　　当然，也可以选择SSE最大的簇进行划分，知道簇数目达到用户指定的数目为止。下面看具体的代码：

#二分K-均值聚类算法
#@dataSet:待聚类数据集
#@k：用户指定的聚类个数
#@distMeas:用户指定的距离计算方法，默认为欧式距离计算
def biKmeans(dataSet,k,distMeas=distEclud):
    #获得数据集的样本数
    m=shape(dataSet)[0]
    #初始化一个元素均值0的(m,2)矩阵
    clusterAssment=mat(zeros((m,2)))
    #获取数据集每一列数据的均值，组成一个长为列数的列表
    centroid0=mean(dataSet,axis=0).tolist()[0]
    #当前聚类列表为将数据集聚为一类
    centList=[centroid0]
    #遍历每个数据集样本
    for j in range(m):
        #计算当前聚为一类时各个数据点距离质心的平方距离
        clusterAssment[j,1]=distMeas(mat(centroid0),dataSet[j,:])**2
    #循环，直至二分k-均值达到k类为止
    while (len(centList)<k):
        #将当前最小平方误差置为正无穷
        lowerSSE=inf
        #遍历当前每个聚类
        for i in range(len(centList)):
            #通过数组过滤筛选出属于第i类的数据集合
            ptsInCurrCluster=\
                dataSet[nonzero(clusterAssment[:,0].A==i)[0],:]
            #对该类利用二分k-均值算法进行划分，返回划分后结果，及误差
            centroidMat,splitClustAss=\
                kMeans(ptsInCurrCluster,2,distMeas)
            #计算该类划分后两个类的误差平方和
            sseSplit=sum(splitClustAss[:,1])
            #计算数据集中不属于该类的数据的误差平方和
            sseNotSplit=\
                sum(clusterAssment[nonzero(clusterAssment[:,0].A!=i)[0],1])
            #打印这两项误差值
            print('sseSplit,and notSplit:',%(sseSplit,sseNotSplit))
            #划分第i类后总误差小于当前最小总误差
            if(sseSplit+sseNotSplit)<lowerSSE:
                #第i类作为本次划分类
                bestCentToSplit=i
                #第i类划分后得到的两个质心向量
                bestNewCents=centroidMat
                #复制第i类中数据点的聚类结果即误差值
                bestClustAss=splitClustAss.copy()
                #将划分第i类后的总误差作为当前最小误差
                lowerSSE=sseSplit+sseNotSplit
        #数组过滤筛选出本次2-均值聚类划分后类编号为1数据点，将这些数据点类编号变为
        #当前类个数+1，作为新的一个聚类
        bestClustAss[nonzero(bestClustAss[:,0].A==1)[0],0]=\    
                len(centList)
        #同理，将划分数据集中类编号为0的数据点的类编号仍置为被划分的类编号，使类编号
        #连续不出现空缺
        bestClustAss[nonzero(bestClustAss[:,0].A==0)[0],0]=\    
                bestCentToSplit
        #打印本次执行2-均值聚类算法的类
        print('the bestCentToSplit is:',%bestCentToSplit)
        #打印被划分的类的数据个数
        print('the len of bestClustAss is:',%(len(bestClustAss)))
        #更新质心列表中的变化后的质心向量
        centList[bestCentToSplit]=bestNewCents[0,:]
        #添加新的类的质心向量
        centList.append(bestNewCents[1,:])
        #更新clusterAssment列表中参与2-均值聚类数据点变化后的分类编号，及数据该类的误差平方
        clusterAssment[nonzero(clusterAssment[:,0].A==\
                bestCentToSplit)[0],:]=bestClustAss
        #返回聚类结果
        return mat(centList),clusterAssment

　　在上述算法中，直到簇的数目达到k值，算法才会停止。在算法中通过将所有的簇进行划分，然后分别计算划分后所有簇的误差。选择使得总误差最小的那个簇进行划分。划分完成后，要更新簇的质心列表，数据点的分类结果及误差平方。具体地，假设划分的簇为m（m<k)个簇中的第i个簇，那么这个簇分成的两个簇后，其中一个取代该被划分的簇，成为第i个簇，并计算该簇的质心；此外，将划分得到的另外一个簇，作为一个新的簇，成为第m+1个簇，并计算该簇的质心。此外，算法中还存储了各个数据点的划分结果和误差平方，此时也应更新相应的存储信息。这样，重复该过程，直至簇个数达到k。

　　通过上述算法，之前陷入局部最小值的的这些数据，经过二分K-means算法多次划分后，逐渐收敛到全局最小值，从而达到了令人满意的聚类效果。

四，示例：对地图上的点进行聚类

　　现在有一个存有70个地址和城市名的文本，而没有这些地点的距离信息。而我们想要对这些地点进行聚类，找到每个簇的质心地点，从而可以安排合理的行程，即质心之间选择交通工具抵达，而位于每个质心附近的地点就可以采取步行的方法抵达。显然，K-means算法可以为我们找到一种更加经济而且高效的出行方式。

1 通过地址信息获取相应的经纬度信息

　　那么，既然没有地点之间的距离信息，怎么计算地点之间的距离呢？又如何比较地点之间的远近呢？

　　我们手里只有各个地点的地址信息，那么如果有一个API，可以让我们输入地点信息，返回该地点的经度和纬度信息，那么我们就可以通过球面距离计算方法得到两个地点之间的距离了。而Yahoo！PlaceFinder API可以帮助我们实现这一目标。获取地点信息对应经纬度的代码如下：

#Yahoo！PlaceFinder API
#导入urllib
import urllib
#导入json模块
import json

#利用地名，城市获取位置经纬度函数
def geoGrab(stAddress,city):
    #获取经纬度网址
    apiStem='http://where.yahooapis.com/geocode?'
    #初始化一个字典，存储相关参数
    params={}
    #返回类型为json
    params['flags']='J'
    #参数appid
    params['appid']='ppp68N8t'
    #参数地址位置信息
    params['location']=('%s %s', %(stAddress,city))
    #利用urlencode函数将字典转为URL可以传递的字符串格式
    url_params=urllib.urlencode(params)
    #组成完整的URL地址api
    yahooApi=apiStem+url_params
    #打印该URL地址
    print('%s',yahooApi)
    #打开URL，返回json格式的数据
    c=urllib.urlopen(yahooApi)
    #返回json解析后的数据字典
    return json.load(c.read())

from time import sleep
#具体文本数据批量地址经纬度获取函数
def massPlaceFind(fileName):
    #新建一个可写的文本文件，存储地址，城市，经纬度等信息
    fw=open('places.txt','wb+')
    #遍历文本的每一行
    for line in open(fileName).readlines();
        #去除首尾空格
        line =line.strip()
        #按tab键分隔开
        lineArr=line.split('\t')
        #利用获取经纬度函数获取该地址经纬度
        retDict=geoGrab(lineArr[1],lineArr[2])
        #如果错误编码为0，表示没有错误，获取到相应经纬度
        if retDict['ResultSet']['Error']==0:
            #从字典中获取经度
            lat=float(retDict['ResultSet']['Results'][0]['latitute'])
            #维度
            lng=float(retDict['ResultSet']['Results'][0]['longitute'])
            #打印地名及对应的经纬度信息
            print('%s\t%f\t%f',%(lineArr[0],lat,lng))
            #将上面的信息存入新的文件中
            fw.write('%s\t%f\t%f\n',%(line,lat,lng))
        #如果错误编码不为0，打印提示信息
        else:print('error fetching')
        #为防止频繁调用API，造成请求被封，使函数调用延迟一秒
        sleep(1)
    #文本写入关闭
    fw.close()

　　在上述代码中，首先创建一个字典，字典里面存储的是通过URL获取经纬度所必要的参数，即我们想要的返回的数据格式flogs=J；获取数据的appid；以及要输入的地址信息(stAddress,city)。然后，通过urlencode()函数帮助我们将字典类型的信息转化为URL可以传递的字符串格式。最后，打开URL获取返回的JSON类型数据，通过JSON工具来解析返回的数据。且在返回的结果中，当错误编码为0时表示，得到了经纬度信息，而为其他值时，则表示返回经纬度信息失败。

　　此外，在代码中，每次获取完一个地点的经纬度信息后，延迟一秒钟。这样做的目的是为了避免频繁的调用API，请求被封掉的情况。

　　

2 对地理位置进行聚类

　　我们已经得到了各个地点的经纬度信息，但是我们还要选择计算距离的合适的方式。我们知道，在北极每走几米的经度变化可能达到数十度，而沿着赤道附近走相同的距离，带来的经度变化可能是零。这是，我们可以使用球面余弦定理来计算两个经纬度之间的实际距离。具体代码如下：

#球面距离计算及簇绘图函数
def distSLC(vecA,vecB):
    #sin()和cos()以弧度未输入，将float角度数值转为弧度，即*pi/180
    a=sin(vecA[0,1]*pi/180)*sin(vecB[0,1]*pi/180)
    b=cos(vecA[0,1]*pi/180)*cos(vecB[0,1]*pi/180)*\
        cos(pi*(vecB[0,0]-vecA[0,0])/180)
    return arcos(a+b)*6371.0

import matplotlib
import matplotlib.pyplot as plt

#@numClust：聚类个数，默认为5
def clusterClubs(numClust=5):
    datList=[]
    #解析文本数据中的每一行中的数据特征值
    for line in open('places.txt').readlines():
        lineArr=line.split('\t')
        datList.append([float(lineArr[4]),float(lineArr[4])])
        datMat=mat(datList)
        #利用2-均值聚类算法进行聚类
        myCentroids,clusterAssing=biKmeans(datMat,numClust,\
            distMeas=distSLC)
        #对聚类结果进行绘图
        fig=plt.figure()
        rect=[0.1,0.1,0.8,0.8]
        scatterMarkers=['s','o','^','8'.'p',\
            'd','v','h','>','<']
        axprops=dict(xticks=[],ytick=[])
        ax0=fig.add_axes(rect,label='ax0',**axprops)
        imgP=plt.imread('Portland.png')
        ax0.imshow(imgP)
        ax1=fig.add_axes(rect,label='ax1',frameon=False)
        for i in range(numClust):
            ptsInCurrCluster=datMat[nonzero(clusterAssing[:,0].A==i)[0],:]
            markerStyle=scatterMarkers[i % len(scatterMarkers))]
            ax1.scatter(ptsInCurrCluster[:,0].flatten().A[0],\
                ptsInCurrCluster[:,1].flatten().A[0],\
                    marker=markerStyle,s=90)
        ax1.scatter(myCentroids[:,0].flatten().A[0],\
            myCentroids[:,1].flatten().A[0],marker='+',s=300)
        #绘制结果显示
        plt.show()

最后，将聚类的结果绘制出来：

五，小结

　　1 聚类是一种无监督的学习方法。聚类区别于分类，即事先不知道要寻找的内容，没有预先设定好的目标变量。

　　2 聚类将数据点归到多个簇中，其中相似的数据点归为同一簇，而不相似的点归为不同的簇。相似度的计算方法有很多，具体的应用选择合适的相似度计算方法

　　3 K-means聚类算法，是一种广泛使用的聚类算法，其中k是需要指定的参数，即需要创建的簇的数目，K-means算法中的k个簇的质心可以通过随机的方式获得，但是这些点需要位于数据范围内。在算法中，计算每个点到质心得距离，选择距离最小的质心对应的簇作为该数据点的划分，然后再基于该分配过程后更新簇的质心。重复上述过程，直至各个簇的质心不再变化为止。

　　4 K-means算法虽然有效，但是容易受到初始簇质心的情况而影响，有可能陷入局部最优解。为了解决这个问题，可以使用另外一种称为二分K-means的聚类算法。二分K-means算法首先将所有数据点分为一个簇；然后使用K-means（k=2）对其进行划分；下一次迭代时，选择使得SSE下降程度最大的簇进行划分；重复该过程，直至簇的个数达到指定的数目为止。实验表明，二分K-means算法的聚类效果要好于普通的K-means聚类算法。