主要內容包括：
1.Anaconda軟件的安裝過程及簡單配置
2.聚類及Kmeans算法介紹
3.案例分析：Kmeans實現運動員位置聚集
前文推薦：【Python數據挖掘課程】一.安裝Python及爬蟲入門介紹
希望這篇文章對你有所幫助，尤其是剛剛接觸數據挖掘以及大數據的同學，同時準備嘗試以案例爲主的方式進行講解。如果文章中存在不足或錯誤的地方，還請海涵~
一. Anaconda軟件安裝及使用步驟
前面兩節課我是通過Python命令行和IDLE工具進行介紹的，但是裏面的配置比較麻煩，包括pip安裝，selenium、lda各種第三方包的安裝。
從這節課我準備使用Anacaonda軟件來講解，它集成了各種python的第三方包，尤其包括數據挖掘和數據分析常用的幾個包。
下載地址：https://www.continuum.io/downloads/
雲盤分享：http://pan.baidu.com/s/1hrEQ9xi
1. 配置過程
首先簡單介紹安裝過程以及如何使用。
安裝Anaconda
安裝過程如下所示：
安裝最好在C盤默認路徑下（空間不大，方便配置），同時不要使用中文路徑。
安裝完成後，點擊“Finish”。點擊Anaconda文件夾，包括這些exe執行文件：
這裏我們使用Spyder進行編寫Python程序。運行如下所示，左邊是進行代碼編寫的，右下角Console是輸出結果的地方。
安裝第三方包
雖然Anaconda軟件集成了各種各樣的包，但是還是缺少一些第三方包，需要通過調用pip或easy_install命令進行安裝。
然後使用cd ..去到C盤根目錄，cd去到Anaconda的Scripts目錄下，輸入"pip install selenium"安裝selenium相應的包，"pip install lda"安裝lda包。
2. 機器學習常用包
下面這四個包通常用於Python數據挖掘和大數據分析的，包括：
Scikit-Learn
Scikit-Learn是一個基於python的用於數據挖掘和數據分析的簡單且有效的工具，它的基本功能主要被分爲六個部分：分類(Classification)、迴歸(Regression)、聚類(Clustering)、數據降維(Dimensionality Reduction)、模型選擇(Model Selection)、數據預處理(Preprocessing)。
詳見官網：http://scikit-learn.org/stable/
NumPy
NumPy（Numeric Python）系統是Python的一種開源的數值計算擴展，一個用python實現的科學計算包。它提供了許多高級的數值編程工具，如：矩陣數據類型、矢量處理，以及精密的運算庫。專爲進行嚴格的數字處理而產生。
SciPy
SciPy (pronounced "Sigh Pie") 是一個開源的數學、科學和工程計算包。它是一款方便、易於使用、專爲科學和工程設計的Python工具包，包括統計、優化、整合、線性代數模塊、傅里葉變換、信號和圖像處理、常微分方程求解器等等。
Matplotlib
Matplotlib是一個Python的圖形框架，類似於MATLAB和R語言。它是python最著名的繪圖庫，它提供了一整套和matlab相似的命令API，十分適合交互式地進行製圖。而且也可以方便地將它作爲繪圖控件，嵌入GUI應用程序中。
二. 聚類及Kmeans介紹
這部分內容主要簡單介紹聚類的原理及Kmeans相關知識。
機器學習的基本思想，我還是介紹下面這張圖，非常經典。
這裏講述聚類的部分，我簡單推薦"簡書-程sir"的文章，簡單易懂，很不錯。
推薦地址：http://www.jianshu.com/p/fc91fed8c77b
1. 分類與聚類
聚類
俗話說“物以類聚”，其實從廣義上說，聚類就是將數據集中在某些方面相似的數據成員放在一起。一個聚類就是一些數據實例的集合，其中處於相同聚類中的數據元素彼此相似，但是處於不同聚類中的元素彼此不同。
由於在聚類中那些表示數據類別的分類或分組信息是沒有的，即這些數據是沒有標籤的，所有聚類及時通常被成爲無監督學習（Unsupervised Learning）。
下圖是800篇文章，每個點可以看成一篇文章，然後對文本進行聚類分析，可以看到相同主題的文章是聚集在一起的。總共四個主題，紅色表示景區Spot、藍色表示人物People、黑色表示國家Country、綠色表示動物Animal。
分類
在理解聚類之前，必須要先理解聚類和分類的區別，簡單舉個例子。
分類其實是從特定的數據中挖掘模式，作出判斷的過程。比如Gmail郵箱裏有垃圾郵件分類器，一開始的時候可能什麼都不過濾，在日常使用過程中，我人工對於每一封郵件點選“垃圾”或“不是垃圾”，過一段時間，Gmail就體現出一定的智能，能夠自動過濾掉一些垃圾郵件了。
這是因爲在點選的過程中，其實是給每一條郵件打了一個“標籤”，這個標籤只有兩個值，要麼是“垃圾”，要麼“不是垃圾”，Gmail就會不斷研究哪些特點的郵件是垃圾，哪些特點的不是垃圾，形成一些判別的模式，這樣當一封信的郵件到來，就可以自動把郵件分到“垃圾”和“不是垃圾”這兩個我們人工設定的分類的其中一個。
（1）訓練數據集存在一個類標記號，判斷它是正向數據集（起積極作用，不垃圾郵件），還是負向數據集（起抑制作用，垃圾郵件）；
（2）然後需要對數據集進行學習訓練，並構建一個訓練的模型；
（3）通過該模型對預測數據集進預測，並計算其結果的性能。
聚類的的目的也是把數據分類，但是事先我是不知道如何去分的，完全是算法自己來判斷各條數據之間的相似性，相似的就放在一起。在聚類的結論出來之前，我完全不知道每一類有什麼特點，一定要根據聚類的結果通過人的經驗來分析，看看聚成的這一類大概有什麼特點。
總之，聚類主要是"物以類聚"，通過相似性把相似元素聚集在一起，它沒有標籤；而分類通過標籤來訓練得到一個模型，對新數據集進行預測的過程，其數據存在標籤的。
2. Kmeans算法
該部分轉載簡書-程sir的文章：聚類、K-Means、例子、細節
K-Means是聚類算法中的最常用的一種，算法最大的特點是簡單，好理解，運算速度快，但是隻能應用於連續型的數據，並且一定要在聚類前需要手工指定要分成幾類。
下面，我們描述一下K-means算法的過程，爲了儘量不用數學符號，所以描述的不是很嚴謹，大概就是這個意思，“物以類聚、人以羣分”：
1、首先輸入k的值，即我們希望將數據集經過聚類得到k個分組。
2、從數據集中隨機選擇k個數據點作爲初始大哥（質心，Centroid）
3、對集合中每一個小弟，計算與每一個大哥的距離（距離的含義後面會講），離哪個大哥距離近，就跟定哪個大哥。
4、這時每一個大哥手下都聚集了一票小弟，這時候召開人民代表大會，每一羣選出新的大哥（其實是通過算法選出新的質心）。
5、如果新大哥和老大哥之間的距離小於某一個設置的閾值（表示重新計算的質心的位置變化不大，趨於穩定，或者說收斂），可以認爲我們進行的聚類已經達到期望的結果，算法終止。
6、如果新大哥和老大哥距離變化很大，需要迭代3~5步驟。
下面這個例子很好的，真心推薦大家學習他的博客。
他搞了6個點，從圖上看應該分成兩推兒，前三個點一堆兒，後三個點是另一堆兒。現在手工執行K-Means，體會一下過程，同時看看結果是不是和預期一致。
1.選擇初始大哥：
我們就選P1和P2
2.計算小弟和大哥的距離：
P3到P1的距離從圖上也能看出來（勾股定理），是√10 = 3.16；P3到P2的距離√((3-1)^2+(1-2)^2 = √5 = 2.24，所以P3離P2更近，P3就跟P2混。同理，P4、P5、P6也這麼算，如下：
P3到P6都跟P2更近，所以第一次站隊的結果是：
• 組A：P1
• 組B：P2、P3、P4、P5、P6
3.人民代表大會：
組A沒啥可選的，大哥還是P1自己
組B有五個人，需要選新大哥，這裏要注意選大哥的方法是每個人X座標的平均值和Y座標的平均值組成的新的點，爲新大哥，也就是說這個大哥是“虛擬的”。
因此，B組選出新大哥的座標爲：P哥（（1+3+8+9+10）/5，（2+1+8+10+7）/5）=（6.2，5.6）。
綜合兩組，新大哥爲P1（0，0），P哥（6.2，5.6），而P2-P6重新成爲小弟。
4.再次計算小弟到大哥的距離：
這時可以看到P2、P3離P1更近，P4、P5、P6離P哥更近，第二次站隊的結果是：
• 組A：P1、P2、P3
• 組B：P4、P5、P6（虛擬大哥這時候消失）
5.第二屆人民代表大會：
按照上一屆大會的方法選出兩個新的虛擬大哥：P哥1（1.33，1） P哥2（9，8.33），P1-P6都成爲小弟。
6.第三次計算小弟到大哥的距離：
這時可以看到P1、P2、P3離P哥1更近，P4、P5、P6離P哥2更近，所以第二次站隊的結果是：
• 組A：P1、P2、P3
• 組B：P4、P5、P6
我們發現，這次站隊的結果和上次沒有任何變化了，說明已經收斂，聚類結束，聚類結果和我們最開始設想的結果完全一致。
三. 案例分析：Kmeans聚類運動員數據
1. 數據集
現在存在下面的數據集，是籃球球員比賽的數據。
數據集地址：KEEL-dataset
- Basketball data set
該數據集主要包括5個特徵（Features），共96行數據。
特徵描述：共5個特徵，每分鐘助攻數、運動員身高、運動員出場時間、運動員年齡和每分鐘得分數。
需求：現在需要通過運動員的數據，判斷他是什麼位置。
如果某些運動員得分高，他可能是得分後衛；如果某些運動員身高高或籃板多，他可能是中鋒；助攻高可能是控衛。
2. 代碼
這裏我僅僅使用兩列數據，助攻數和得分數進行實驗，相當於20*2的矩陣，其中輸出y_pred結果表示聚類的類標。類簇數設置爲3，類標位0、1、2，它也是與20個球員數據一一對應的。
Sklearn機器學習包中導入了KMeans聚類，同時需要注意Matplotlib包繪製圖形的過程。代碼如下，幷包括詳細註釋：
聚類核心代碼：
from sklearn.cluster import KMeans
clf = KMeans(n_clusters=3)
y_pred = clf.fit_predict(X)
繪圖核心代碼：
import matplotlib.pyplot as plt
plt.scatter(x, y, c=y_pred, marker='x')
plt.title("Kmeans-Basketball Data")
plt.xlabel("assists_per_minute")
plt.ylabel("points_per_minute")
plt.show()
3. 運行結果
運行結果如下所示：
如果設置marker='o'，輸出圓形，可以看到紅色點很高，他得分和助攻都比較高，相當於籃球裏面的"喬丹"，然後中間一部分，右下角一部分助攻很高、得分低，可能是控衛。當然數據集越多，聚類的效果越好。
常見問題：
1、安裝Anaconda不能使用中文路徑，以及電腦名稱爲中文；
2、Spyder如何顯示中文，而不是"口口口"亂碼，需要改Fonts；
3、Matplotlib如何顯示顏色，定義樣式等；
4、如何讀取數據，賦值給變量，在讓其顯示。
希望這篇文章對你有所幫助，主要是介紹一個基於Python的Kmeans聚類案例，後面會陸續詳細介紹各種知識。非常想上好這門課，因爲是我的專業方向，另外學生們真的好棒，好認真，用手機錄像、問問題、配環境等等，只要有用心的學生，我定不負你！同時，這節課的思路好點了，摸着石頭過馬路，需要慢慢學吧，但還是挺享受的，畢竟9800，哈哈哈！
(By:Eastmount 2016-10-10 晚上10點 http://blog.csdn.net/eastmount/ )
最後提供籃球的完整數據集：