我可以改变什么来获得k-means以其方式对数据进行集群'；希望它使用python吗？

我正在做一项任务，要求我们对数据集（）执行20维K-Means聚类，并通过将聚类与分类箱进行比较来测试其纯度。几天来，我一直试图找到一个集群和bin范围的组合，以显示有意义的集群，但我没有运气。据我所知，所有的簇都在某个点或另一个点的所有范围内出现

我已经使用python和pandas和sklearn库来尝试实现这一点。根据我们的任务，代表“小时缺勤”的最后一列将从聚类中删除，然后进行分类，以便以后进行比较。我已经使用KMeans方法创建了集群列表，并将它们附加到一个新的数据框中，该数据框只包含ID、缺勤小时数、集群和bined缺勤小时范围。当我看这张表时，我看到很少有可观察的集群发生，因为所有集群都发生在所有范围内。以下是我的表的前几行（按集群排序）：

稍后在表格中：

 242  14  2                          4        (-0.1, 2.0]       
 552  28  2                          4        (-0.1, 2.0]       
 244  18  8                          4        (3.0, 9.0]        
 296  34  3                          4        (2.0, 3.0]        
 297  13  8                          4        (3.0, 9.0]        
 298  3   1                          4        (-0.1, 2.0]       
 299  22  64                         4        (15.0, 120.0]     
 300  5   0                          4        (-0.1, 2.0]       
 301  11  16                         4        (15.0, 120.0] 

就我所见，集群似乎不像预期的那样集群化。正如我之前所说，我已经做了好几天了，我做了好几个小时的研究，阅读文档，观看youtube视频，阅读了几十篇教程，但我似乎不知道我做错了什么。我尝试了从k=3到k=6的集群，它们有各种大小的箱子。我的导师似乎非常确信，我们应该使用这个数据集找到有效的集群。我不确定我是否遗漏了什么。我的代码如下：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import sys
from sklearn.cluster import KMeans

pd.set_option('display.max_columns', None)
pd.set_option('display.width', None)
np.set_printoptions(threshold = sys.maxsize)
pd.set_option('display.max_colwidth', -1)
pd.set_option('display.max_rows', -1)



# import dataset as pandas dataframe
absences = pd.read_excel('Absenteeism_at_work.xls')

#set columns to be used for k-means (exclide absentee hours)
xRange = [0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19]
x = absences.iloc[:, xRange].values

bins = [-0.1, 2, 3, 9, 15, absences['Absenteeism time in hours'].max()]
absences['Absentee hours bins'] = pd.cut(absences['Absenteeism time in hours'], bins)


#perform clustering
kmeans = KMeans(n_clusters = 5)
kmeans.fit(x)
labels = kmeans.labels_
#print(labels)

#add labels column to original dataframe
absences['Cluster'] = labels

#print relevant columns
columns = ['ID', 'Absenteeism time in hours', 'Cluster', 'Absentee hours bins']
sorted_by_cluster = absences[columns].sort_values(['Cluster'])
print(sorted_by_cluster)

---

如果你们能提供任何意见，我们将不胜感激。我的理解是，我肯定应该看到垃圾箱和集群之间存在某种关联。提前感谢大家。

适当地预处理您的数据

不要包含ID列

不要使用编码列（不要计算ICD代码的差异）

为什么要包括星期几等

---

考虑一下算法试图优化的功能-这对您的数据有意义吗？

您可能需要计算数据，以评估您的群集是否真的表现不佳。谢谢，非常好的资源。我试过这个，得到了1.0，但我不相信我做得对。我知道labels_pred应该是kmeans.labels，但是我应该为labels_true输入什么？我的垃圾箱列表？不包括ID列…我需要使用除最后一列以外的所有列。讲师特别指出我们应该做20维聚类分析。然后你应该教育你的讲师。IDs上的lear squares优化毫无意义。感谢您的输入，但正如我在上面的评论中回答的那样，我明确要求包括除最后一列以外的所有列。如果这真的是预期的，那么这是一个愚蠢的任务，而不是您方面的误解。这确实是预期的，对我来说，这不是一种误解。考虑到我多次向她证实了这一点，而且她擅长数据挖掘，我认为在任务的目标和范围内，这可能没什么大不了的。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import sys
from sklearn.cluster import KMeans

pd.set_option('display.max_columns', None)
pd.set_option('display.width', None)
np.set_printoptions(threshold = sys.maxsize)
pd.set_option('display.max_colwidth', -1)
pd.set_option('display.max_rows', -1)



# import dataset as pandas dataframe
absences = pd.read_excel('Absenteeism_at_work.xls')

#set columns to be used for k-means (exclide absentee hours)
xRange = [0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19]
x = absences.iloc[:, xRange].values

bins = [-0.1, 2, 3, 9, 15, absences['Absenteeism time in hours'].max()]
absences['Absentee hours bins'] = pd.cut(absences['Absenteeism time in hours'], bins)


#perform clustering
kmeans = KMeans(n_clusters = 5)
kmeans.fit(x)
labels = kmeans.labels_
#print(labels)

#add labels column to original dataframe
absences['Cluster'] = labels

#print relevant columns
columns = ['ID', 'Absenteeism time in hours', 'Cluster', 'Absentee hours bins']
sorted_by_cluster = absences[columns].sort_values(['Cluster'])
print(sorted_by_cluster)