R语言与数据分析练习：K-Means聚类
k-means实现
k-means算法，是一种最广泛使用的聚类算法。k-means以k作为参数，把数据分为k个组，通过迭代计算过程，将各个分组内的所有数据样本的均值作为该类的中心点，使得组内数据具有较高的相似度，而组间的相似度最低。
k-means工作原理
- 初始化数据，选择k个对象作为中心点。
- 遍历整个数据集，计算每个点与每个中心点的距离，将它分配给距离中心最近的组。
- 重新计算每个组的平均值，作为新的聚类中心。
- 上面2-3步，过程不断重复，直到函数收敛，不再新的分组情况出现。
k-means聚类，适用于连续型数据集。在计算数据样本之间的距离时，通常使用欧式距离作为相似性度量。k-means支持多种距离计算，还包括maximum, manhattan, pearson, correlation, spearman, kendall等。各种的距离算法的介绍，请参考文章R语言实现46种距离算法
kmeans()函数实现
在R语言中，我们可以直接调用系统中自带的kmeans()函数，就可以实现k-means的聚类。同时，有很多第三方算法包也提供了k-means的计算函数。当我们需要使用kmeans算法，可以使用第三方扩展的包，比如flexclust, amap等包。
题目：
在篮球运动中，一般情况下，控球后卫与得分后卫的助攻数较多，小前锋的得分数较多，而大前锋与中锋的助攻数与得分数较少。下表为21名篮球运动员每分钟助攻数和每分钟得分数的数据集，请运用K-Means聚类算法将这21名篮球运动员划分为5类，并通过画图判断他们分别属于什么位置。
数据如下：
assists_per_minute为每分钟助攻次数
points_per_minute为每分钟得分数
实现代码：
# 切换路径，导入数据
setwd('D:/bigdata/R语言与数据分析/data03') # 这里是自己数据存放的路径
basketballdata <- read.csv("data.csv",stringsAsFactors = F) # 数据读取
# 新建一个与源数据有效数据等长的矩阵
outfile <- matrix(data=NA,
nrow = nrow(basketballdata),
ncol = 2,
byrow = TRUE,
dimnames = list(c(1:nrow(basketballdata)),
c("assists_per_minute","points_per_minute")))
# 读取源数据，写入新建的矩阵
outfile[,1] <- basketballdata[,2]
outfile[,2] <- basketballdata[,3]
# 输出数据，存到本地
summary(outfile)#将字符串存储为文件 采用Base64解码
write.csv(outfile,'datachange.csv',row.names = FALSE)
# 数据去中心化后的标准化
basketballdata <- read.csv('datachange.csv', header = TRUE)
zscoredfile <- scale(basketballdata)
# 数据写出
write.csv(zscoredfile, 'standardizeddata.csv',row.names = FALSE)
inputfile <- read.csv('standardizeddata.csv', header = TRUE)
# 聚类分析--5个簇心，调用kmeans算法
result <- kmeans(inputfile, 5)
# 结果输出
type <- result$cluster
type# 查看类别分布
table(type) # 查看类别统计
centervec <- result$center
centervec # 查看簇中心点
# centervec对列取最大值
max <- apply(centervec,2,max)
max
# centervec对列取最小值
min <- apply(centervec,2,min)
min
# 构建frame类型数据
df = data.frame(rbind(max,min,centervec))
df
# 绘制聚类散点图
# 如果本地没有factoextra和cluster包，先用以下命令进行下载
# install.packages('factoextra')
# install.packages('cluster')
library(cluster)
library(factoextra)
fviz_cluster(result,basketballdata)运行结果：
对球员的数据进行分析：
第一组（蓝色部分）与第二组（棕色部分）的每分钟助攻次数较多，所以对应控球后卫与得分后卫。又因为得分后卫的每分钟得分数多于控球后卫，所以第一组（蓝色部分）为控球后卫，第二组（棕色部分）为得分后卫。
第三组（紫色部分）的每分钟得分数较多，所以对应小前锋
第四组（绿色部分）和第五组（红色部分）的每分钟助攻次数及每分钟得分数较少，所以对应大前锋与中锋。又因为中锋每分钟得分数多于大前锋，所以，第四组（绿色部分）为大前锋，第五组（红色部分）为中锋。
推测出每个球员的位置：
第一组（蓝色部分）为控球后卫
（第一组：9，11，15，21）
第二组（棕色部分）为得分后卫
（第二组：6，7，18）
第三组（紫色部分）为小前锋
（第三组：2）
第四组（绿色部分）为大前锋
（第四组：10，12，14，17，20）
第五组（红色部分）为中锋
（第五组：1，3，4，5，8，13，16，19）
