Python 如何获取每个集群中的样本？

我正在使用sklearn.cluster KMeans包。一旦我完成了聚类，如果我需要知道哪些值被分组在一起，我该怎么做

假设我有100个数据点，KMeans给了我5个集群现在我想知道哪些数据点在集群5中。我该怎么做。

---

是否有一个函数提供集群id并列出该集群中的所有数据点？

您可以查看属性

标签

比如说

km = KMeans(2)
km.fit([[1,2,3],[2,3,4],[5,6,7]])
print km.labels_
output: array([1, 1, 0], dtype=int32)

---

正如您所看到的，第一点和第二点是集群

1

，集群

0

中的最后一点可以查看属性

标签

比如说

km = KMeans(2)
km.fit([[1,2,3],[2,3,4],[5,6,7]])
print km.labels_
output: array([1, 1, 0], dtype=int32)

正如您所看到的，第一点和第二点是集群
1
，集群
0
中的最后一点，如果您有一个大型数据集，并且需要按需提取集群，那么您将看到使用。以下是iris数据集的一个示例：

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集群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）：

假设您想要群集中的所有样本
2
：

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中的前三个索引：

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

如果您有一个大的数据集，并且需要按需提取集群，那么您将看到使用。以下是iris数据集的一个示例：

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集群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）：

假设您想要群集中的所有样本
2
：

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中的前三个索引：

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

我有一个类似的需求，我正在使用pandas创建一个新的数据框架，其中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_

一旦数据帧可用，就很容易过滤，
例如，要筛选群集3中的所有数据点

cluster_map[cluster_map.cluster == 3]

我有一个类似的需求，我正在使用pandas创建一个新的数据框架，其中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_

一旦数据帧可用，就很容易过滤，
例如，要筛选群集3中的所有数据点

cluster_map[cluster_map.cluster == 3]

您可以简单地将标签存储在一个数组中。将数组转换为数据帧。然后将用于创建K means的数据与带有集群的新数据框合并

显示数据帧。现在您应该看到具有相应集群的行。如果您想列出具有特定群集的所有数据，请使用data.loc[data['cluster\u label\u name']==2]之类的方法，假设2现在是您的群集。
您只需将标签存储在数组中即可。将数组转换为数据帧。然后将用于创建K means的数据与带有集群的新数据框合并

显示数据帧。现在您应该看到具有相应集群的行。如果要列出具有特定群集的所有数据，请使用data.loc[data['cluster\u label\u name']==2]之类的方法，假设2现在是您的群集。
要获取每个群集内的点/样本/观测值的ID，请执行以下操作：

Python 2
使用虹膜数据和良好的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)

结果

#dict format
{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])}

# list format
[[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])]]

Python 3
只要改变就行了

for key, value in mydict.iteritems():

至

for key, value in mydict.items():

要获取每个簇内的点/样本/观测的ID，请执行以下操作：

Python 2
使用虹膜数据和良好的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)

结果

#dict format
{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])}

# list format
[[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])]]

Python 3
只要改变就行了

for key, value in mydict.iteritems():

至

for key, value in mydict.items():

实际上，一个非常简单的方法是：

clusters=KMeans(n_clusters=5)
df[clusters.labels_==0]

第二行返回属于
0
th集群的
df
的所有元素。类似地，您可以找到其他集群元素。
实际上，一个非常简单的方法是：

clusters=KMeans(n_clusters=5)
df[clusters.labels_==0]

第二行返回属于
0
th集群的
df
的所有元素。类似地，您也可以找到其他集群元素。
是，此方法可行。但是，当有大量数据点遍历所有数据点以获取标签时，效率就不高了。我只是一个给定集群的数据点列表。还有其他方法吗？@user77005看到我刚刚发布的答案了吗？是的，这种方法可以。但是，当有大量数据点遍历所有数据点以获取标签时，效率就不高了。我只是一个给定集群的数据点列表。还有别的方法吗？@user77005看到我刚刚发布的答案了吗？我刚刚提供了一个回答，回答了你的问题。如果这有帮助，请告诉我。您可以使用.labels_uu检查我刚才提供了一个解决您问题的答案。让我知道这是否有帮助。您可以使用.labels检查在学习新模型时，没有必要使用Pandas，我似乎很难完成将建模数据返回原始源的最后一部分。大多数教程都没有显示这一点。谢谢您的回答。@Praveen您确定它将被正确索引吗？您的解决方案在从
km.labels
重建数据帧时是否像在群集之前一样保留了行的顺序？在学习新模型时，不需要使用Pandas，我似乎很难将建模数据返回到原始源。大多数教程都没有显示这一点。谢谢您的回答。@Praveen您确定它将被正确索引吗？当从
km.labels\uuu
重建数据帧时，您的解决方案是否像群集之前一样保留了行的顺序？对于那些正在使用python3并遇到此解决方案问题的人，您只需要将iteritems（）更改为items（），我的答案是