### Python 实现多元统计分析与聚类算法 #### 使用 K 均值聚类处理多变量数据 K 均值聚类是一种常见的无监督学习方法，适用于对具有多个特征的数据集进行分组。以下是基于 `scikit-learn` 的实现方式： ```python import numpy as np import pandas as pd from sklearn.preprocessing import StandardScaler from sklearn.cluster import KMeans import matplotlib.pyplot as plt # 导入数据 inputfile = r'data/multivariate_data.csv' # 替换为实际文件路径 data = pd.read_csv(inputfile) # 数据预处理：标准化 scaler = StandardScaler() data_scaled = scaler.fit_transform(data) # 设置参数并运行 K-Means 算法 k = 3 # 聚类数量 iteration = 500 # 最大迭代次数 model = KMeans(n_clusters=k, n_init='auto', max_iter=iteration, random_state=42) clusters = model.fit_predict(data_scaled) # 输出结果 data['Cluster'] = clusters print(data.head()) # 可视化（如果维度较高可降维） if data.shape[1] >= 3: from sklearn.decomposition import PCA pca = PCA(n_components=2) reduced_data = pca.fit_transform(data_scaled) plt.scatter(reduced_data[:, 0], reduced_data[:, 1], c=clusters, cmap='viridis') centers = model.cluster_centers_ center_reduced = pca.transform(centers) plt.scatter(center_reduced[:, 0], center_reduced[:, 1], s=200, marker='X', c='red') plt.title('PCA Visualization of Clusters') plt.show() ``` 此代码实现了以下功能： 1. **数据加载**：通过 Pandas 加载 CSV 文件中的多变量数据[^1]。 2. **数据标准化**：利用 `StandardScaler` 对数据进行零均值单位方差变换，确保各特征量纲一致[^2]。 3. **模型训练**：调用 `KMeans` 进行聚类操作，并指定最大迭代次数和随机种子以提高稳定性[^2]。 4. **可视化**：当数据维度超过二维时，可以借助主成分分析 (PCA) 将其投影到二维空间以便观察。 --- #### 层次聚类示例 除了 K 均值外，层次聚类也是一种有效的聚类技术，尤其适合探索性数据分析阶段。下面是一个简单的例子： ```python import scipy.cluster.hierarchy as sch from sklearn.cluster import AgglomerativeClustering # 构建层次聚类树状图 dendrogram = sch.dendrogram(sch.linkage(data_scaled, method='ward')) plt.title('Dendrogram') plt.xlabel('Samples') plt.ylabel('Euclidean distances') plt.show() # 应用凝聚型层次聚类 hc_model = AgglomerativeClustering(n_clusters=k, affinity='euclidean', linkage='ward') hierarchical_clusters = hc_model.fit_predict(data_scaled) # 结果展示 data['Hierarchical_Cluster'] = hierarchical_clusters print(data[['Cluster', 'Hierarchical_Cluster']].head()) ``` 该部分展示了如何构建层次聚类的树状图以及应用凝结型层次聚类来分配样本至不同的簇群[^1]。 --- #### DBSCAN 示例 对于含有噪声或形状复杂的分布，DBSCAN 是一种更灵活的选择： ```python from sklearn.cluster import DBSCAN db = DBSCAN(eps=0.5, min_samples=5).fit(data_scaled) core_samples_mask = np.zeros_like(db.labels_, dtype=bool) core_samples_mask[db.core_sample_indices_] = True labels = db.labels_ # 统计簇的数量 (-1 表示噪声点) n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0) print(f'Estimated number of clusters: {n_clusters_}') ``` 这段代码演示了如何使用密度基的空间聚类方法识别任意形状的簇结构[^1]。 --- ### 总结 以上三种方法分别对应于不同场景下的需求： - 如果已知目标簇数目，则优先考虑 K 均值； - 若需逐步揭示潜在关系，推荐尝试层次聚类； - 针对抗噪能力较强的场合，建议选用 DBSCAN。