上一节我们讲解了 K-Means 算法的原理，并且手动实现了一个 K-Means 算法函数，今天我们一起来完成相关的实战内容。
在 Sklearn 中使用 K-Means
Sklearn 同样提供了非常完善的 K-Means 算法实现
from sklearn.cluster import KMeans kmeans = KMeans()
再来看下可以传递给该类的主要参数都有哪些
| 参数 | 解释 |
| n_clusters | 即 K 值，默认为8 |
| max_iter | 最大迭代次数，如果聚类很难收敛的话，可以通过设置该参数来停止算法 |
| n_init | 初始化中心点的运算次数，默认为10。这里sklearn 会自动为我们进行迭代运算，找出合适的初始中心点。 |
| init | 初始值的选择方式。默认就是采用 k-means++ 的方式，或者还可以采用 random 完全随机的方式。 |
下面我们就进入实战部分，完整代码可以查看这里
https://github.com/zhouwei713/DataAnalyse/tree/master/K-Means
图片分割
首先我们先来看下图片
图片整体是两只不同颜色的鞋子，背景是深色的椅子和桌子。
首先是读取图片
读取图片，我们使用 PIL 库，这是一个很好的图片处理工具库
安装 PIL 库
pip install Pillow
通过 PIL 读取图片
from PIL import Image img = Image.open('foot-small.jpg') print(img) >>> <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=559x497 at 0x15541750>
可以看到通过 image 的 open 函数可以读取图片，得到的是一个 PIL 的对象
接下来获取图片每个点的三通道值
width, height = img.size data = [] for x in range(width): for y in range(height): r, g, b = img.getpixel((x, y)) data.append([r, g, b])
我们知道，jpg 图片的每个像素点都是由 （r, g, b）这三个值组成的，称为通道值
接下来在进行数据规范化，可以加快聚类的收敛
mm = preprocessing.MinMaxScaler() img_data = mm.fit_transform(data) img_mat = np.mat(img_data) print(img_mat) >>> [[0.69411765 0.76470588 0.85098039] [0.69803922 0.76862745 0.85490196] [0.70196078 0.77254902 0.85882353] ... [0.42352941 0.42352941 0.43137255] [0.48235294 0.48235294 0.49019608] [0.42745098 0.42352941 0.44313725]]
现在开始使用 K-Means 做聚类
kmeans = KMeans(n_clusters=2) kmeans.fit(img_mat) label = kmeans.predict(img_mat)
predict 得到的就是聚类的结果
最后再把得到的聚类结果赋值给新的图片
label = label.reshape([width, height])picture_mark = Image.new("L", (width, height))for x in range(width): for y in range(height): picture_mark.putpixel((x, y), int(256/(label[x][y]+1))-1)picture_mark.save("new-foot.jpg", "JPEG")
因为我们最终得到的 label 是0和1，所以还要手动转换成灰度值，把 label=0的设置成了255，把 label=1的设置成了127。
图片压缩
其实我们还可以使用 k-Means 算法来压缩图片，这次我们使用 matplotlib 来处理图片
import matplotlib.pyplot as plt from numpy import reshape,uint8,flipud from sklearn.cluster import KMeans from copy import deepcopy from PIL import Image
首先还是读取图片
img = plt.imread('foot-small.jpg') print(img.shape) >>> (497, 559, 3)
可以看到，这张图片是497X559像素的
接下来我们通过 reshape 函数，重置下该矩阵的形状
pixel = reshape(img,(img.shape[0]*img.shape[1],3)) print(pixel.shape) >>> (277823, 3)
现在就转换成了一个二维的矩阵
进行 K-Means 训练并获取聚类类别和中心点
pixel_new = deepcopy(pixel)model = KMeans(n_clusters=5) labels = model.fit_predict(pixel) palette = model.cluster_centers_
cluster_centers_ 属性保存的是每个聚类中心点的坐标
接下来再把每个类别其他点的像素值替换成中心点的值
for i in range(len(pixel)): pixel_new[i,:] = palette[labels[i]]
最后保存图片
new_pic = reshape(pixel_new, (img.shape[0], img.shape[1],3)) images = Image.fromarray(new_pic) images.save("foot-new.jpg")
可以看到，通过这种方法，可以很好的保留图片原有的颜色信息，并且大大减少了图片保存的数据量。
同时你应该也注意到了，我们在初始化 K-Means 类时，只是指定了 n_clusters 参数，对于 init 参数我们使用的是默认值，即 k-means++，所以对于使用 sklearn 工具来说，我们已经在选择初始点时进行了优化处理。
足球队聚类
下面我们再来看看如何对足球队进行聚类划分，其实如果和球队类推到人，那么就是对人的聚类划分，这个在营销领域就是非常常用的营销分析方法了。
我们先来看一下数据情况
team_data = pd.read_csv('football-team.csv') print(team_data) >>> 国家 2019年国际排名 2019亚洲杯 2015亚洲杯 0 中国 73 8 7 1 日本 60 2 5 2 韩国 61 6 2 3 伊朗 34 3 6 4 沙特 67 15 10 5 伊拉克 91 14 4 6 卡塔尔 101 1 13 7 阿联酋 81 4 6 8 乌兹别克斯坦 88 10 8 9 泰国 122 13 17 10 越南 102 7 17 11 阿曼 87 16 12 12 巴林 116 12 11 13 朝鲜 110 24 14 14 澳洲 40 5 1 15 叙利亚 76 20 17 16 约旦 118 9 9 17 巴勒斯坦 96 18 16
我分别提取了上面18支亚洲足球队的当前世界排名以及2019，2015年亚洲杯的排名。
下面我们提取需要训练的数据
train_X = team_data[['2019年国际排名', '2019亚洲杯', '2015亚洲杯']] print(train_X) >>> 2019年国际排名 2019亚洲杯 2015亚洲杯 0 73 8 7 1 60 2 5 2 61 6 2 3 34 3 6 4 67 15 10 5 91 14 4 6 101 1 13 7 81 4 6 8 88 10 8 9 122 13 17 10 102 7 17 11 87 16 12 12 116 12 11 13 110 24 14 14 40 5 1 15 76 20 17 16 118 9 9 17 96 18 16
因为数据数值大小的差异还是比较大的，所以需要使用数据规范化的方式，把训练数据规范化
from sklearn import preprocessing mm = preprocessing.MinMaxScaler() train_x = mm.fit_transform(train_X)
下面就是使用 K-Means 做聚类，我们先把类别设置为3，看看效果
kmeans = KMeans(n_clusters=3)# kmeans 算法 kmeans.fit(train_x) predict_y = kmeans.predict(train_x) # 合并聚类结果，插入到原数据中 result = pd.concat((team_data,pd.DataFrame(predict_y)),axis=1) result.rename({0:u'聚类'},axis=1,inplace=True) print(result) >>> 国家 2019年国际排名 2019亚洲杯 2015亚洲杯 聚类 0 中国 73 8 7 1 1 日本 60 2 5 1 2 韩国 61 6 2 1 3 伊朗 34 3 6 1 4 沙特 67 15 10 0 5 伊拉克 91 14 4 1 6 卡塔尔 101 1 13 2 7 阿联酋 81 4 6 1 8 乌兹别克斯坦 88 10 8 1 9 泰国 122 13 17 2 10 越南 102 7 17 2 11 阿曼 87 16 12 0 12 巴林 116 12 11 2 13 朝鲜 110 24 14 0 14 澳洲 40 5 1 1 15 叙利亚 76 20 17 0 16 约旦 118 9 9 2 17 巴勒斯坦 96 18 16 0
可以看到，我国和日本，韩国，伊朗，澳大利亚等国聚类到了一起，通过这些年的观赛经验，这个还是有挺大误差的。
现在我们使用手肘法来确定最佳的 K 值
SS = []for k in range(2, 10): kmeans = KMeans(n_clusters=k).fit(train_x) SS.append(kmeans.inertia_) plt.plot(range(2,10), SS) plt.xlabel('K') plt.ylabel('SS')
inertia_ 属性是每个点到聚类中心的聚类之和
通过上面的得出的图片，我们可以清楚的看到拐点是在 k=4的地方，所以我们选取k=4作为聚类的种类数量，再次重新聚类
kmeans = KMeans(n_clusters=4)# kmeans 算法 kmeans.fit(train_x) predict_y = kmeans.predict(train_x) # 合并聚类结果，插入到原数据中 result = pd.concat((team_data,pd.DataFrame(predict_y)),axis=1) result.rename({0:u'聚类'},axis=1,inplace=True) print(result) >>> 国家 2019年国际排名 2019亚洲杯 2015亚洲杯 聚类 0 中国 73 8 7 0 1 日本 60 2 5 2 2 韩国 61 6 2 2 3 伊朗 34 3 6 2 4 沙特 67 15 10 0 5 伊拉克 91 14 4 0 6 卡塔尔 101 1 13 3 7 阿联酋 81 4 6 0 8 乌兹别克斯坦 88 10 8 0 9 泰国 122 13 17 3 10 越南 102 7 17 3 11 阿曼 87 16 12 1 12 巴林 116 12 11 3 13 朝鲜 110 24 14 1 14 澳洲 40 5 1 2 15 叙利亚 76 20 17 1 16 约旦 118 9 9 3 17 巴勒斯坦 96 18 16 1
现在可以看出，韩日，伊朗和澳大利亚仍然聚类在一起，而中国则是与沙特，伊拉克等国在一起，现在的结果应该更加符合当前亚洲足球的整体水平了。
当然，你还可能发现，如果你运行多次 K-Means 算法，会得到不同的结果，这个就是上一节讲的，因为每次运行算法，初始值都是不同的，而不同的初始值，会得到不同的聚类结果。
总结
今天我们通过两个实战例子，再次加深了对于 K-Means 算法的理解，希望你可以结合代码，再好好的体会下。
K-Means 是无监督学习领域一个非常重要的算法，对于用户分层等领域都有很好的应用。
当然 K-Means 算法的缺点也十分明显，就是聚类个数 K 值需要提前指定，如果我们不知道当前要聚类成多少个类别，那么我们就需要多给几个 K 值，然后从中找出聚类效果最好的那个。
练习题
我在 GitHub 上还上传了一个像素比较高的图片 foot.jpg，如果你的电脑比较好，是否可以尝试着对该图片进行相关的压缩操作呢？
