Python 为kmeans和PCA转换数据

我的数据集如下所示：

search_term = ['computer','usb port', 'phone adaptor']
clicks = [3,2,1]
bounce = [0,0,2]
conversion = [4,1,0]

我想把它输入到一个kmeans模型中，但是我在将列表转换成矩阵格式以便kmeans能够接受它时遇到了麻烦。我还想用PCA减少维数，这样就可以在2d绘图中可视化

这就是我的代码的样子：

X = np.array(clicks, bounce, conversion)
y = np.array(search_terms)
num_clusters = 3

pca = PCA(n_components=2, whiten=True).fit(X)
X_pca = pca.transform(X)

km=KMeans(n_clusters=num_clusters, init='k-means++',n_init=10, verbose=1)
km.fit(X_pca)

print km.labels_[:10]

这是我得到的错误：

TypeError: unsupported operand type(s) for -: 'numpy.ndarray' and 'numpy.ndarray'

此外，一旦集群完成，我希望能够看到哪些搜索词属于哪个集群，因此我不确定设置y=np.array（search_terms）是否正确

---

请告诉我。

你怎么不打这个

>>> X=np.array(clicks,bounce,conversion)
Traceback (most recent call last):
  File "<input>", line 1, in <module>
ValueError: only 2 non-keyword arguments accepted

---

如果希望每列都使用它们，请删除

.transpose（）

以下代码应该可以工作。如果不是这样，请告诉我

import numpy as np
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans

search_terms = ['computer','usb port', 'phone adaptor']
clicks = [3,2,1]
bounce = [0,0,2]
conversion = [4,1,0]

X = np.array([clicks, bounce, conversion]).T
y = np.array(search_terms)

num_clusters = 3

X_pca = PCA(n_components=2, whiten=True).fit_transform(X)

km = KMeans(n_clusters=num_clusters, init='k-means++',n_init=10, verbose=1)
km.fit(X_pca)

---

您的代码的哪一行导致此错误？这一行

X\u pca=pca.transform（X）

@jxn

encoder.classes\uu

将为您提供所有唯一的labels@jxn这里的

encoder

实际上没有多大用处，因为我们正在进行无监督的聚类，不需要任何y标签输入。你可以忽略这两行。@jxn你可以通过比较

y[:10]

和

km来测试算法是否正确进行聚类。predict（X\u pca）[:10]

y[:10]

给了我一个包含10个不同数字的列表（这是数据的索引号吗？），而

km.predict（X\u pca）[:10]

给了我（我相信集群标签号）@jxn你能在帖子中发布这两个结果吗？它们都应该返回一个0、1、2、2、1、1、0相似的数组。

import numpy as np
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans

search_terms = ['computer','usb port', 'phone adaptor']
clicks = [3,2,1]
bounce = [0,0,2]
conversion = [4,1,0]

X = np.array([clicks, bounce, conversion]).T
y = np.array(search_terms)

num_clusters = 3

X_pca = PCA(n_components=2, whiten=True).fit_transform(X)

km = KMeans(n_clusters=num_clusters, init='k-means++',n_init=10, verbose=1)
km.fit(X_pca)