R语言学习笔记之聚类分析

作者简介Introductiontaoyan：伪码农，R语言爱好者，爱开源。个人博客: https://ytlogos.github.io/




使用k-means聚类所需的包：
factoextra
cluster #加载包
library(factoextra)library(cluster)l #数据准备
使用内置的R数据集USArrests

#load the datasetdata("USArrests")#remove any missing value (i.e, NA values for not available)#That might be present in the dataUSArrests <- na.omit(USArrests)#view the first 6 rows of the datahead(USArrests, n=6) 


在此数据集中，列是变量，行是观测值
在聚类之前我们可以先进行一些必要的数据检查即数据描述性统计，如平均值、标准差等
desc_stats <- data.frame( Min=apply(USArrests, 2, min),#minimumMed=apply(USArrests, 2, median),#medianMean=apply(USArrests, 2, mean),#meanSD=apply(USArrests, 2, sd),#Standard deviationMax=apply(USArrests, 2, max)#maximum)desc_stats <- round(desc_stats, 1)#保留小数点后一位head(desc_stats)

变量有很大的方差及均值时需进行标准化
df <- scale(USArrests)
#数据集群性评估
使用get_clust_tendency()计算Hopkins统计量res <- get_clust_tendency(df, 40, graph = TRUE)res$hopkins_stat## [1] 0.3440875#Visualize the dissimilarity matrixres$plot


Hopkins统计量的值<0.5，表明数据是高度可聚合的。另外，从图中也可以看出数据可聚合。#估计聚合簇数
由于k均值聚类需要指定要生成的聚类数量，因此我们将使用函数clusGap()来计算用于估计最优聚类数。函数fviz_gap_stat()用于可视化。set.seed(123)## Compute the gap statisticgap_stat <- clusGap(df, FUN = kmeans, nstart = 25, K.max = 10, B = 500)# Plot the resultfviz_gap_stat(gap_stat)

图中显示最佳为聚成四类（k=4）#进行聚类set.seed(123)km.res <- kmeans(df, 4, nstart = 25)head(km.res$cluster, 20)

# Visualize clusters using factoextra
fviz_cluster(km.res, USArrests)


#检查

cluster silhouette

图
Recall that the silhouette measures (SiSi) how similar an object ii is to the the other objects in its own cluster versus those in the neighbor cluster. SiSi values range from 1 to - 1:A value of SiSi close to 1 indicates that the object is well clustered. In the other words, the object ii is similar to the other objects in its group.

A value of SiSi close to -1 indicates that the object is poorly clustered, and that assignment to some other cluster would probably improve the overall results.

sil <- silhouette(km.res$cluster, dist(df))rownames(sil) <- rownames(USArrests)head(sil[, 1:3])

#Visualizefviz_silhouette(sil)





图中可以看出有负值，可以通过函数

silhouette()

确定是哪个观测值

neg_sil_index <- which(sil[, "sil_width"] < 0)
sil[neg_sil_index, , drop = FALSE]
##          cluster    neighbor     sil_width
## Missouri    3          2        -0.07318144
#eclust():增强的聚类分析与其他聚类分析包相比，

eclust()

有以下优点：简化了聚类分析的工作流程
可以用于计算层次聚类和分区聚类
eclust()自动计算最佳聚类簇数。
自动提供Silhouette plot
可以结合ggplot2绘制优美的图形
#使用eclust()的K均值聚类

# Compute k-means
res.km <- eclust(df, "kmeans")

# Gap statistic plotfviz_gap_stat(res.km$gap_stat)

# Silhouette plotfviz_silhouette(res.km)##    cluster size ave.sil.width## 1     1     13      0.31## 2     2     29      0.38## 3     3      8      0.39


#使用eclust（）的层次聚类

# Enhanced hierarchical clustering
res.hc <- eclust(df, "hclust") # compute hclustfviz_dend(res.hc, rect = TRUE) # dendrogam

#下面的R代码生成Silhouette plot和分层聚类散点图。
fviz_silhouette(res.hc) # silhouette plot
##   cluster size ave.sil.width
## 1    1     19      0.26
## 2    2     19      0.28## 3    3     12      0.43



fviz_cluster(res.hc) # scatter plot


#Infos
This analysis has been performed using R software (R version 3.3.2)

　往期精彩内容整理合集　2017年R语言发展报告（国内）R语言中文社区历史文章整理（作者篇）
R语言中文社区历史文章整理（类型篇）


公众号后台回复关键字即可学习回复 R                  R语言快速入门及数据挖掘 
回复 Kaggle案例  Kaggle十大案例精讲（连载中）
回复 文本挖掘      手把手教你做文本挖掘
回复 可视化          R语言可视化在商务场景中的应用 
回复 大数据         大数据系列免费视频教程 
回复 量化投资      张丹教你如何用R语言开始量化投资 
回复 用户画像      京东大数据赋能业务，揭秘用户画像最佳实践 
回复 数据挖掘     常用数据挖掘算法原理解释与应用
回复 机器学习     人工智能系列直播之机器学习与工业实践
回复 爬虫            R语言爬虫实战案例分享