我正在使用sklearn.cluster KMeans包。一旦我完成聚类，如果我需要知道哪些值组合在一起我该怎么办呢？
说我有100个数据点，KMeans给了我5个集群。现在我想知道集群5中有哪些数据点。我该怎么做。
是否有一个函数来提供集群ID，它将列出该集群中的所有数据点
感谢。
答案 0 :(得分：21)
我有类似的要求，我正在使用pandas创建一个新数据框，其中包含数据集的索引和标签作为列。
data = pd.read_csv('filename')
km = KMeans(n_clusters=5).fit(data)
cluster_map = pd.DataFrame()
cluster_map['data_index'] = data.index.values
cluster_map['cluster'] = km.labels_
一旦DataFrame可用，很容易过滤， 例如，过滤集群3中的所有数据点
cluster_map[cluster_map.cluster == 3]
答案 1 :(得分：6)
如果您有大型数据集，并且需要按需提取群集，则可以使用numpy.where查看某些加速。以下是iris数据集的示例：
from sklearn.cluster import KMeans
from sklearn import datasets
import numpy as np
centers = [[1, 1], [-1, -1], [1, -1]]
iris = datasets.load_iris()
X = iris.data
y = iris.target
km = KMeans(n_clusters=3)
km.fit(X)
定义一个函数来提取您提供的cluster_id的索引。 （这里有两个函数，对于基准测试，它们都返回相同的值）：
def ClusterIndicesNumpy(clustNum, labels_array): #numpy
return np.where(labels_array == clustNum)[0]
def ClusterIndicesComp(clustNum, labels_array): #list comprehension
return np.array([i for i, x in enumerate(labels_array) if x == clustNum])
我们假设您想要群集2中的所有样本：
ClusterIndicesNumpy(2, km.labels_)
array([ 52, 77, 100, 102, 103, 104, 105, 107, 108, 109, 110, 111, 112,
115, 116, 117, 118, 120, 122, 124, 125, 128, 129, 130, 131, 132,
134, 135, 136, 137, 139, 140, 141, 143, 144, 145, 147, 148])
Numpy赢得了基准：
%timeit ClusterIndicesNumpy(2,km.labels_)
100000 loops, best of 3: 4 µs per loop
%timeit ClusterIndicesComp(2,km.labels_)
1000 loops, best of 3: 479 µs per loop
现在，您可以提取所有群集2数据点，如下所示：
X[ClusterIndicesNumpy(2,km.labels_)]
array([[ 6.9, 3.1, 4.9, 1.5],
[ 6.7, 3. , 5. , 1.7],
[ 6.3, 3.3, 6. , 2.5],
... #truncated
仔细检查上面截断数组的前三个索引：
print X[52], km.labels_[52]
print X[77], km.labels_[77]
print X[100], km.labels_[100]
[ 6.9 3.1 4.9 1.5] 2
[ 6.7 3. 5. 1.7] 2
[ 6.3 3.3 6. 2.5] 2
答案 2 :(得分：2)
您可以查看属性labels_
例如
km = KMeans(2)
km.fit([[1,2,3],[2,3,4],[5,6,7]])
print km.labels_
output: array([1, 1, 0], dtype=int32)
正如您所见，第一个和第二个点是群集1，群集0中的最后一个点。
答案 3 :(得分：2)
实际上，一种非常简单的方法是：
set.seed(1)
sam<-rnorm(1000,m,s)
mean(sam)
summary(replicate(100,mean(rnorm(1000,m,s))))
cumean<-function(x) cumean(x) / seq_along(x)
plot(cumean(sam), type="l", xlab="Sample", ylab="Cumulative mean",
panel.first=abline(h=0, col="red"), las=1,axes = F)
第二行返回属于第clusters=KMeans(n_clusters=5)
df[clusters.labels_==0]
个簇的df的所有元素。同样，您可以找到其他集群元素。
答案 4 :(得分：1)
使用Iris数据和一种不错的pythonic方式的示例：
import numpy as np
from sklearn.cluster import KMeans
from sklearn import datasets
np.random.seed(0)
# Use Iris data
iris = datasets.load_iris()
X = iris.data
y = iris.target
# KMeans with 3 clusters
clf = KMeans(n_clusters=3)
clf.fit(X,y)
#Coordinates of cluster centers with shape [n_clusters, n_features]
clf.cluster_centers_
#Labels of each point
clf.labels_
# Nice Pythonic way to get the indices of the points for each corresponding cluster
mydict = {i: np.where(clf.labels_ == i)[0] for i in range(clf.n_clusters)}
# Transform this dictionary into list (if you need a list as result)
dictlist = []
for key, value in mydict.iteritems():
temp = [key,value]
dictlist.append(temp)
<强>结果
{0: array([ 50, 51, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63,
64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76,
78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90,
91, 92, 93, 94, 95, 96, 97, 98, 99, 101, 106, 113, 114,
119, 121, 123, 126, 127, 133, 138, 142, 146, 149]),
1: array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,
34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49]),
2: array([ 52, 77, 100, 102, 103, 104, 105, 107, 108, 109, 110, 111, 112,
115, 116, 117, 118, 120, 122, 124, 125, 128, 129, 130, 131, 132,
134, 135, 136, 137, 139, 140, 141, 143, 144, 145, 147, 148])}
[[0, array([ 50, 51, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63,
64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76,
78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90,
91, 92, 93, 94, 95, 96, 97, 98, 99, 101, 106, 113, 114,
119, 121, 123, 126, 127, 133, 138, 142, 146, 149])],
[1, array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,
34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49])],
[2, array([ 52, 77, 100, 102, 103, 104, 105, 107, 108, 109, 110, 111, 112,
115, 116, 117, 118, 120, 122, 124, 125, 128, 129, 130, 131, 132,
134, 135, 136, 137, 139, 140, 141, 143, 144, 145, 147, 148])]]
答案 5 :(得分：0)
您可以将标签存储在一个数组中。将数组转换为数据框。然后合并您用于创建K的数据表示具有群集的新数据框。
显示数据框。现在您应该看到具有相应群集的行。如果要列出具有特定群集的所有数据，请使用data.loc [data [＆＃39; cluster_label_name＆＃39;] == 2]之类的内容，假设现在为2个群集。