K-means算法是一种常见的聚类算法，用于将数据点分成不同的组（簇），使同一组内的数据点彼此相似，不同组之间的数据点相对较远。以下是K-means算法的基本工作原理和步骤：
工作原理：
初始化：选择K个初始聚类中心点（质心）。
分配：将每个数据点分配到最接近的聚类中心，形成K个簇。
更新：根据每个簇中的数据点重新计算聚类中心。
迭代：重复步骤2和3，直到满足停止条件（如聚类中心不再改变或达到最大迭代次数）。
算法步骤：
初始化：随机选择K个数据点作为初始聚类中心。
分配：对于每个数据点，计算其与各个聚类中心的距离，将其分配给距离最近的聚类中心。
更新：重新计算每个簇的聚类中心，使用该簇内所有数据点的平均值。
迭代：重复步骤2和3，直到聚类中心稳定或达到最大迭代次数。
优点：
简单且高效，适用于大规模数据集。
对于球状簇具有很好的效果，易于解释。
缺点：
需要预先设定聚类数K。
对异常值和噪声敏感。
结果可能受初始聚类中心的选择影响。
应用领域：
图像分割、文本聚类、市场分析、推荐系统等。
实现聚类分析的基本步骤如下：
数据准备与预处理：
读取数据：从Excel文件中读取数据，对数据进行去重和缺失值处理。
特征选择：选择用于聚类分析的特征列，如'地区发展程度'、'时间间隔'、'评论回复数'、'评论点赞数'等。
df.drop_duplicates(subset=['评论'], keep='first', inplace=True)
df.dropna(subset=['评论'],axis=0,inplace=True)
# 将评论时间列转换为时间格式
df['评论时间'] = pd.to_datetime(df['评论时间'])
# 计算每个时间点距禖当前时间的时间间隔（单位：秒）
current_time = datetime.now()
df['时间间隔'] = round((current_time - df['评论时间']).dt.total_seconds().astype(int)/86400,1)
print(df.info())
# 创建一个字典，用于映射地区与发展水平的关系
region_mapping = {'发达地区': ['北京省', '上海省', '天津省', '上海省'],'普通地区': ['广东省', '江苏省', '浙江省', '福建省', '湖北省', '湖南省', '安徽省', '江西省', '山东省', '辽宁省', '吉林省', '黑龙江省'],'发展地区': ['重庆省', '河南省', '四川省', '陕西省', '天津省', '山西省', '内蒙古省', '河北省', '广西省', '海南省', '河南省', '河北省', '山西省', '内蒙古省', '宁夏省', '青海省', '甘肃省','陕西省', '新疆省'],'未知': ['设置了隐私'],
}
数据标准化：
使用StandardScaler对特征数据进行标准化，使数据具有零均值和单位方差。
scaler = StandardScaler() X_data = scaler.fit_transform(X_data)
确定聚类数目：
使用“肘部法”和“轮廓系数法”等方法确定合适的聚类数目。
# 构造自定义函数，用于绘制不同k值和对应总的簇内离差平方和的折线图
def k_SSE(X, clusters):# 选择连续的K种不同的值K = range(1, clusters + 1)# 构建空列表用于存储总的簇内离差平方和TSSE = []for k in K:# 用于存储各个簇内离差平方和SSE = []kmeans = KMeans(n_clusters=k)kmeans.fit(X)# 返回簇标签labels = kmeans.labels_# 返回簇中心centers = kmeans.cluster_centers_# 计算各簇样本的离差平方和，并保存到列表中for label in set(labels):SSE.append(np.sum((X[labels == label, :] - centers[label, :]) ** 2))# 计算总的簇内离差平方和TSSE.append(np.sum(SSE))# 中文和负号的正常显示plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']plt.rcParams['axes.unicode_minus'] = False# 设置绘图风格plt.style.use('ggplot')# 绘制K的个数与GSSE的关系plt.plot(K, TSSE, 'b*-')plt.xlabel('簇的个数')plt.ylabel('簇内离差平方和之和')plt.title('手肘法')# 显示图形plt.show()
聚类分析：
使用自定义的KMeans类或Sklearn中的KMeans进行聚类分析，传入特征数据和确定的聚类数目。
获取聚类标签并将其与特征数据关联。
n_clusters = 5 km = KMeans(n_clusters=n_clusters).fit(X_data)#% 降维后画图显示聚类结果 #将原始数据中的索引设置成得到的数据类别 X_rsl = pd.DataFrame(X_data,index=km.labels_) X_rsl_center = pd.DataFrame(km.cluster_centers_) #找出聚类中心
降维可视化：
使用TSNE对聚类结果进行降维处理，将高维数据降至二维或三维。
利用降维后的数据和聚类中心绘制散点图，根据聚类结果进行着色展示。
tsne = TSNE() tsne.fit_transform(X_rslwithcenter) #进行数据降维,并返回结果
结果输出：
将聚类标签与原始数据关联，将聚类结果输出到Excel文件中。
