1.關於聚類的理解
聚類實際上就是分類,對一些樣本(樣品)進行歸類分組。本章第一個例子是對99篇博客進行聚類,也就是說每一篇博客便是一個樣本。要分類就要有分類的標準(指標)。比如把人按地區、身高、體重分類,那地區、身高、體重就是指標。抽象地說,對樣本
2.對博客進行聚類
對99篇博客中指定單詞的統計結果存放到了blogdata.txt文件(隨書文件中附帶的有,也可以按照書中方法獲取)中,用記事本打開看的話會比較亂,用Notepad++打開之後,截圖如下:
剛好這類似於R語言中數據框的結構,本來我想用R或者SAS來完成本章的任務,畢竟有現成的函數,不過在直接導入blogdata.txt這個文件時,均出現了問題,這個以後再解決。
在《數據分析方法》中,我們學了快速聚類法與譜系聚類法。下面來看本書中的算法。
2.1 分級聚類法
分級聚類法(Hierarchical Clustering)實際上就是譜系聚類法,具體原理和步驟可以參見《數據分析方法》一書。譜系聚類的關鍵是依據樣品間的距離來定義類與類之間的距離。本章的分級聚類法實際上在計算類間距離時,採用的是重心距離,即用兩類的重心之間的距離作爲兩類間的距離。
2.1.1讀取數據
爲了方便數據的處理,我們定義一個讀取數據的函數,代碼如下(使用版本爲Python 3.3)
def readfile(filename):
lines=[line for line in open(filename)]
#第一行是列標題,也就是被統計的單詞是哪些
colnames=lines[0].strip().split('\t')[1:]#之所以從1開始,是因爲第0列是用來放置博客名了
rownames=[]
data=[]
for line in lines[1:]:
p=line.strip().split('\t')
#每行的第0列都是行名
rownames.append(p[0])
#剩餘部分就是該行對應的數據
data.append([float(x) for x in p[1:]])#data是一個列表,這個列表裏每一個元素都是一個列表,每一列表的元素就是對應了colnames[]裏面的單詞
return rownames,colnames,data
這裏代碼中的第一行
lines=[line for line in open(filename)]
中用了open函數,而原書代碼是用了file函數,但我運行時出了問題,原書代碼均是用Python 2.x編寫的,因此會略有不同。此外,該函數採用元組返回值實現了返回多個函數值的辦法。
此外,本書中經常使用reload函數,在Python 3.x中,應該這樣使用
from imp import reload
reload(MyModule)
或者寫爲
import imp
imp.reload(MyModule)
因爲在Python 3.x中,把reload內置函數移到了imp標準庫模塊中。它仍然像以前一樣重載文件,但是必須導入它才能使用。
2.1.2計算緊密度(相似度)
這裏要計算兩篇博客(樣本)的距離,可以通過計算兩個樣本
這樣的話,兩篇博客越相似(相關係數越大),其距離越小。
假設有兩個變量
設樣本觀測數據爲
則樣本相關係數爲
進行適當化簡可得
計算代碼如下:
from math import sqrt
def pearson(v1,v2):
#先求和
sum1=sum(v1)
sum2=sum(v2)
#求平方和
sum1Sq=sum([pow(v,2) for v in v1])
sum2Sq=sum([pow(v,2) for v in v2])
#求乘積之和
pSum=sum([v1[i]*v2[i] for i in range(len(v1))])
#計算pearson相關係數
num=pSum-(sum1*sum2/len(v1))
den=sqrt((sum1Sq-pow(sum1,2)/len(v1))*(sum2Sq-pow(sum2,2)/len(v1)))
if den==0:return 0
return 1.0-num/den
2.1.3聚類過程
這裏採用面向對象的思維進行編程,將每一篇博客看成是一個對象,爲此定義一個類,代碼如下:
class bicluster:
def __init__(self,vec,left=None,right=None,distance=0.0,id=None):
self.left=left
self.right=right
self.vec=vec #就是詞頻列表
self.id=id
self.distance=distance
下面開始聚類的計算。在《數據分析方法》中,我們是先計算出了距離矩陣,然後利用遞推的方法逐步計算。這裏,我們也編寫一個hcluster函數直接進行計算,該函數爲一個列表數組(就是在讀取數據時返回的data)和一個距離函數(Python的函數式編程確實也很不錯),最後返回一個bicluster的對象,只有一個,但是這個對象是根節點,如果擴展其左右孩子,最後會得一個粗略的樹狀圖。代碼如下:
def hcluster(rows,distance=pearson):
distances={} #每計算一對節點的距離值就會保存在這個裏面,這樣避免了重複計算
currentclustid=-1
#最開始的聚類就是數據集中的一行一行,每一行都是一個元素
#clust是一個列表,列表裏面是一個又一個bicluster的對象
clust=[bicluster(rows[i],id=i) for i in range(len(rows))]
while len(clust)>1:
lowestpair=(0,1)#先假設lowestpair是0和1號
closest=distance(clust[0].vec,clust[1].vec)#同樣將0和1的pearson相關度計算出來放着
#遍歷每一對節點,找到pearson相關係數最小的
for i in range(len(clust)):
for j in range(i+1,len(clust)):
#用distances來緩存距離的計算值
if(clust[i].id,clust[j].id) not in distances:
distances[(clust[i].id,clust[j].id)]=distance(clust[i].vec,clust[j].vec)
d=distances[(clust[i].id,clust[j].id)]
if d<closest:
closest=d
lowestpair=(i,j)
#找到這一次循環的最小一對後,產生新的枝節點.先計算出這個新的枝節點的詞頻(重心)
mergevec=[(clust[lowestpair[0]].vec[i]+clust[lowestpair[1]].vec[i])/2.0 for i in range(len(clust[0].vec))]
#建立新的聚類
newcluster=bicluster(mergevec,left=clust[lowestpair[0]],right=clust[lowestpair[1]],distance=closest,id=currentclustid)
#不在初始集合中的聚類,其id設置爲負數
currentclustid-=1
del clust[lowestpair[1]]
del clust[lowestpair[0]]
clust.append(newcluster)
#當只有一個元素之後,就返回,這個節點相當於根節點
return clust[0]
2.1.4粗略的樹狀圖
這裏只是利用了縮進而已,先編寫函數:
def printclust(clust,labels=None,n=0):
#利用縮進來建立層級佈局
for i in range(n):print(' ',end=" ")
if clust.id<0:
#負數代表這是一個分支
print('-')
else:
#正數代表這是一個葉節點
if labels==None: print(clust.id)
else:print(labels[clust.id])
if clust.left!=None:printclust(clust.left,labels=labels,n=n+1)
if clust.right!=None:printclust(clust.right,labels=labels,n=n+1)
然後在執行如下代碼即可畫出粗略的樹狀圖,這裏就不展示了。
blognames,words,data=readfile('blogdata.txt')
clust=hcluster(data)
printclust(clust,labels=blognames)
要注意的是與原書代碼不同的地方在於print函數,Python 3.x與Python 2.x關於print的主要區別如下:
2.X: print "The answer is", 2*2
3.X: print("The answer is", 2*2)
2.X: print x, # 使用逗號結尾禁止換行
3.X: print(x, end=" ") # 使用空格代替換行
2.X: print # 輸出新行
3.X: print() # 輸出新行
2.X: print >>sys.stderr, "fatal error"
3.X: print("fatal error", file=sys.stderr)
2.X: print (x, y) # 輸出repr((x, y))
3.X: print((x, y)) # 不同於print(x, y)!
2.1.5精細的樹狀圖
實際上就是我們學過的譜系圖。爲了用Python畫出這個圖,需要用到Python的圖像處理模塊PIL(Python Image Library),其並不支持Python3,但網上有人把它重新編譯生成Python3下可安裝的exe了,比如我下載的就是PIL-1.1.7.win32-py3.3.exe,直接搜索PIL py3.3就出來了,然後安裝即可。
畫圖的過程還是很複雜的,具體可見這篇博客
畫樹狀圖
總體代碼如下:
from PIL import Image,ImageDraw
def getheight(clust):
#這是一個葉節點嗎?若是,則高度爲1
if clust.left==None and clust.right ==None:return 1
#否則,高度爲每個分支的高度之和
return getheight(clust.left)+getheight(clust.right)
def getdepth(clust):
#一個葉節點的距離是0.0,這是因爲葉節點之後就沒有了,將其放在最左邊也沒事
if clust.left==None and clust.right ==None:return 0
#而一個枝節點的距離等於左右兩側分支中距離較大的那一個
#加上自身距離:所謂自身距離,與就是某節點與兩一節點合併時候的相似度
return max(getdepth(clust.left),getdepth(clust.right))+clust.distance
def drawdendrogram(clust,labels,jpeg='clusters.jpg'):
#高度和寬度
h=getheight(clust)*20
w=1200
depth=getdepth(clust)
#我們固定了寬度,所以需要對每一個節點的橫向擺放做一個縮放,而不像高度一樣,每一個葉節點都分配20
scaling=float(w-150)/depth
#新建一張白色的背景圖片
img=Image.new('RGB',(w,h),(255,255,255))
draw=ImageDraw.Draw(img)
draw.line((0,h/2,10,h/2),fill=(255,0,0)) #僅僅是畫了一個起點
#畫第一個節點
drawnode(draw,clust,10,(h/2),scaling,labels)
img.save(jpeg,'JPEG')
def drawnode(draw,clust,x,y,scaling,labels):
if clust.id<0:
h1=getheight(clust.left)*20 #兩個分支的高度
h2=getheight(clust.right)*20
top=y-(h1+h2)/2 #如果是第一次畫點的話,top居然是最高點,也就是等於0,是上面邊界.針對某一個節點,其高度就是左節點的高度加右節點的高度
bottom=y+(h1+h2)/2 #這個確實也是下邊界。
#線的長度
ll=clust.distance*scaling
#聚類到其子節點的垂直線
draw.line((x,top+h1/2,x,bottom-h2/2),fill=(255,0,0))
#連接左側節點的水平線
draw.line((x,top+h1/2,x+ll,top+h1/2),fill=(255,0,0))
#連接右側節點的水平線
draw.line((x,bottom-h2/2,x+ll,bottom-h2/2),fill=(255,0,0))
#調用函數繪製左右節點
drawnode(draw,clust.left,x+ll,top+h1/2,scaling,labels)
drawnode(draw,clust.right,x+ll,bottom-h2/2,scaling,labels)
else:
#如果這是一個葉節點,則繪製節點的標籤.其實現在突然覺得這種思路非常好,繪製的是標籤,本題中繪製的博客名字
draw.text((x+5,y-7),labels[clust.id],(0,0,0))
blognames,words,data=readfile('blogdata.txt')
clust=hcluster(data)
drawdendrogram(clust,blognames,jpeg='分級聚類圖.jpg')
畫出來的圖如下:
2.2 列聚類
這裏也就是將整個blogdata.txt中的數據集進行了轉置,使列(也就是單詞)變成了行,其中的每一行都對應一組數字,這組數字指明瞭某個單詞在每篇博客中出現的次數。轉置後在調用上面的函數即可。
至於這種方式聚類出來的結果有何意義,需要結合具體情況分析。