聚类常用的算法肯定是K均值聚类了，本次案例采用陕西的十个地区的天气数据，构建特征，进行聚类分析。
首先数据都装在‘天气数据’这个文件夹里面，如图：
打开其中一个excel，长这个样子
下面开始数据处理
数据预处理
导入包
import os
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
import pandas as pd
import datetime as dt
import re
#from sklearn.preprocessing import MinMaxScaler
%matplotlib inlinepd.options.display.float_format = '{:,.4f}'.format
np.set_printoptions(precision=4)
plt.rcParams ['font.sans-serif'] ='SimHei' #显示中文
plt.rcParams ['axes.unicode_minus']=False #显示负号获取文件和地区名称
file_name=os.listdir(f'./天气数据')
print(file_name)
region_name=[i[:2] for i in file_name]
region_name
定义一些函数，用来处理数据
def date_transform(x) :a= x.split(' ')[0]a = pd.to_datetime(a, format='%Y-%m-%d')return a
def C_check(C):a=C.split('℃')return int(a[0])
def tianqi_check1(txt):if '转' in txt:a=re.findall('\w{1,5}转',txt)a=a[0].split('转')a=a[0]elif '~' in txt:a=re.findall('\w{1,5}~',txt)a=a[0].split('~')a=a[0]else:a=txtreturn a
def tianqi_check2(txt):if '到' in txt:a=re.findall('到\w{1,5}',txt)a=a[0].split('到')a=a[1]else:a=txtreturn a
df_最高气温=pd.DataFrame()
df_最低气温=pd.DataFrame()
df_天气=pd.DataFrame()
dic_天气={'晴':0,'晴到多云':0.5,'晴间多云':0.5,'局部多云':0.5,'多云':1,'少云':1.5,'阴':2,'阴天':2,'雾':2.5,'霾':2.5,'小雨':3,'雨':3,'阴到小雨':2.5,'小到中雨':3.5,'小雨到中雨':3.5,'阵雨':3.5,'中雨':4,'小雨到大雨':4,'雷阵雨':4,'雷雨':4,'中到大雨':4.5,'大雨':5,'大到暴雨':5.5,'暴雨':6,'暴风雨':6.5,'小雪':7,'雨夹雪 ':7,'雪':7,'中雪':8,'大雪':9,'浮尘':2.5,'扬沙':2.5,'风':2.5}开始读取和处理
for i,f in enumerate(file_name):#print(i)file_path = f'./天气数据/{f}'data=pd.read_excel(file_path,usecols=['日期','最高气温','最低气温','天气'])data['日期']=data['日期'].apply(date_transform)data['最高气温']=data['最高气温'].apply(C_check)data['最低气温']=data['最低气温'].apply(C_check)data['天气']=data['天气'].astype(str).apply(tianqi_check1)data['天气']=data['天气'].astype(str).apply(tianqi_check2)data.loc[:,'天气']=data['天气'].map(dic_天气)data['天气'].fillna(data['天气'].mean)data=data.set_index('日期').resample('M').mean()#print(len(data))df_最高气温[region_name[i]]=data['最高气温']df_最低气温[region_name[i]]=data['最低气温']df_天气[region_name[i]]=data['天气']最后是形成了三个数据框，最高温和最低温，还有天气情况（比如下雨还是晴天等等），天气情况我用map进行了映射，都变成了数值型变量。
描述性统计
df_最高气温.plot(title='各地区每月最高温变化图',figsize=(14,5),xlabel='日期',ylabel='最高温')
df_最低气温.plot(title='各地区每月最低温变化图',figsize=(14,5),xlabel='日期',ylabel='最低温')
df_天气.plot(title='各地区每月天气变化图',figsize=(14,5),xlabel='日期',ylabel='天气')
都具有很明显的周期性，天气因为是自己映射的数值型数据，所以有点杂乱。
然后画出最高温的箱线图：
column = df_最高气温.columns.tolist() # 列表头
fig = plt.figure(figsize=(20, 8), dpi=128) # 指定绘图对象宽度和高度
for i in range(len(column)):plt.subplot(2,5, i + 1) # 2行5列子图sns.boxplot(data=df_最高气温[column[i]], orient="v",width=0.5) # 箱式图plt.ylabel(column[i], fontsize=16)plt.title(f'{region_name[i]}每月最高温箱线图',fontsize=16)
plt.tight_layout()
plt.show()
最低温和天气也是一样画，数据框名称改一下就行。
下面画出最低温的核密度图（同理最高温和天气也是一样的）
fig = plt.figure(figsize=(20, 8), dpi=128) # 指定绘图对象宽度和高度
for i in range(len(column)):plt.subplot(2,5, i + 1) # 2行5列子图ax = sns.kdeplot(data=df_最低气温[column[i]],color='blue',shade= True)plt.ylabel(column[i], fontsize=16)plt.title(f'{region_name[i]}每月最低温核密度图',fontsize=16)
plt.tight_layout()
plt.show()
画出天气的相关性热力图
fig = plt.figure(figsize=(8, 8), dpi=128)
corr= sns.heatmap(df_天气[column].corr(),annot=True,square=True)
最高温和最低温也是一样，改一下数据框名称就行。可以看到哪些地区的天气相关性高
K均值聚类
因为本次构建了三个特征，可以进行三次K均值聚类，我们可以比较一下聚类的结果，首先使用最高温进行聚类：
最高温的聚类
from sklearn.cluster import KMeans
kmeans_model = KMeans(n_clusters=3, random_state=123, n_init=20)
kmeans_model.fit(df_最高气温.T)
kmeans_model.inertia_ #组内平方和# kmeans_cc=kmeans_model.cluster_centers_ # 聚类中心
# kmeans_cckmeans_labels = kmeans_model.labels_ # 样本的类别标签
kmeans_labels pd.Series(kmeans_labels).value_counts() # 统计不同类别样本的数目
映射一下类别的数值
dic_rusult={}
for i in range(10):dic_rusult[df_最高气温.T.index[i]]=kmeans_labels[i]
dic_rusult
统计一下，打印结果
第一类地区=[]
第二类地区=[]
第三类地区=[]
for k,v in dic_rusult.items():if v==0:第一类地区.append(k)elif v==1:第二类地区.append(k)elif v==2:第三类地区.append(k)
print(f'从最高气温来看的聚类的结果，将地区分为三个地区,\n第一个地区为：{第一类地区}，\n第二个地区为：{第二类地区}，\n第三个地区为：{第三类地区}')
可以去地图上看看，聚类的结果还是很有道理的，聚类出来的地区都是挨得很近的地方。
最低温度K均值聚类
kmeans_model = KMeans(n_clusters=3, random_state=123, n_init=20)
kmeans_model.fit(df_最低气温.T)kmeans_labels = kmeans_model.labels_ # 样本的类别标签
kmeans_labels pd.Series(kmeans_labels).value_counts() # 统计不同类别样本的数目dic_rusult2={}
for i in range(10):dic_rusult2[df_最低气温.T.index[i]]=kmeans_labels[i]
dic_rusult2第一类地区=[]
第二类地区=[]
第三类地区=[]
for k,v in dic_rusult2.items():if v==2:第一类地区.append(k)elif v==1:第二类地区.append(k)elif v==0:第三类地区.append(k)
print(f'从最低气温来看的聚类的结果，将地区分为三个地区,\n第一个地区为：{第一类地区}，\n第二个地区为：{第二类地区}，\n第三个地区为：{第三类地区}')
和最高温的聚类结果差不多
第一个地区对应的关中
第二个地区对应的陕北
第三个地区对应的陕南
天气K均值聚类
kmeans_model = KMeans(n_clusters=3, random_state=123, n_init=20)
kmeans_model.fit(df_天气.T)
kmeans_labels = kmeans_model.labels_ # 样本的类别标签
pd.Series(kmeans_labels).value_counts() # 统计不同类别样本的数目
dic_rusult3={}
for i in range(10):dic_rusult3[df_天气.T.index[i]]=kmeans_labels[i]
dic_rusult3
第一类地区=[]
第二类地区=[]
第三类地区=[]
for k,v in dic_rusult3.items():if v==1:第一类地区.append(k)elif v==2:第二类地区.append(k)elif v==0:第三类地区.append(k)
print(f'从天气来看的聚类的结果，将地区分为三个地区,\n第一个地区为：{第一类地区}，\n第二个地区为：{第二类地区}，\n第三个地区为：{第三类地区}')
天气的效果和气温差不多。
第一个地区对应的关中
第二个地区对应的陕北
第三个地区对应的陕南
说明地理位置近的地区的天气更加相似(算法说的)
