K-means聚类分析案例（一）

之前的笔记：
聚类介绍：点这里
层次聚类分析案例（一）：世界银行样本数据集
层次聚类分析案例（二）：亚马逊雨林烧毁情况
层次聚类分析案例（三）：基因聚类

案例一：K-means聚类，欧洲各国蛋白质消耗量

食品消费模式是医学和营养学领域关注的一大热点。食物消费与个人的整体健康、食物的营养价值、购买食品的经济性和消费环境有关。这项分析涉及25个欧洲国家肉类和其他食品之间的关系。观察肉类和其他食品的相关性是很有意思的。这些数据包括：红肉、白肉、蛋类、牛奶、鱼类、谷类、淀粉类食品、坚果（包括豆类和油籽）、水果和蔬菜。

准备工作

为了应用k均值聚类，我们使用欧洲25个国家的蛋白质消费量数据集。

第1步：收集和描述数据

该任务使用名为protein的数据集，该数据集以标准格式存储在CSV格式的文件中，其中包含25行数据和10个变量。数据获取路径

数值型变量如下：
RedMeat
WhiteMeat
Eggs
Milk
Fish
Cereals
Starch
Nuts
Fr&Veg
非数值型变量如下：
Country
具体实施步骤
以下为实现细节。

第2步：探索数据

让我们探索数据并理解变量间的关系。从导入名为Europenaprotein.csv的CSV文件开始，将该数据保存到protein数据框：

protein = read.csv("ClusteringAnalysis/Practical-Machine-Learning-Cookbook/Chapter03/Data/Europenaprotein.csv",header = T)

head（）函数返回了一个向量、矩阵、表、数据框或函数首或尾的部分。将protein数据框传入head（）函数。

head(protein)

结果如下：

image.png

第3步：聚类

开始在三个簇的基础上进行聚类。为了在初始阶段产生随机的簇数量，调用set.seed（）函数。set.seed（）函数能够产生随机数。

set.seed(123456789)

kmeans（）函数能够在数据矩阵上执行k均值聚类。protein数据矩阵被当作一个对象传入该函数，该对象必须是数值型矩阵。centers＝3代表初始化簇中心数量。因为簇的数量由一个数字指定，nstart＝10定义了随机被选择的中心数。

groupMeat <- kmeans(protein[,c("WhiteMeat","RedMeat")], centers = 3,nstart = 10)
groupMeat

结果如下：

接下来，生成簇指派列表。order（）函数返回一个序列，以升序或者降序重新生成它的第一个参数。groupMeat数据框被当作一个数据框对象传入：

o = order(groupMeat$cluster)

调用data.frame（）函数，显示了国家和这些国家所处的簇：

data.frame(protein$Country[o],groupMeat$cluster[o])

结果如下：

plot（）函数是一个绘制R对象的通用函数。参数类型指明了要被显示的图的种类。xlim参数的意思是参数应该被给定范围的边界，而不是一个范围。xlab和ylab提供了x轴和y轴各自的标题：

plot(protein$RedMeat,protein$WhiteMeat, type="n", xlim=c(3,19), xlab="Red Meat",ylab="White Meat")
text(x=protein$RedMeat,y=protein$WhiteMeat, labels = protein$Country,col=groupMeat$cluster+1)

结果如下：

第4步：改进模型

接下来，在所有9个蛋白质组上进行聚类，并且7个簇已经被创建了。在散点图上不同颜色的点代表了吃白肉和红肉的国家。地理上临近的国家倾向于分到同一组。

set.seed（）函数产生随机数：
set.seed(123456789)

center＝7代表初始的聚类中心数量：

groupProtein <- kmeans(protein[,-1], centers = 7, nstart = 10)
o=order(groupProtein$cluster)
data.frame(protein$Country[o], groupProtein$cluster[o])

7个不同的聚类形成了。25个国家都一一被分配到了某一个簇中。

结果如下：

clustplot（）函数创造了一个二变量的图，其中可以看到数据的可视化划分。所有观测值使用主成分以点的方式表示。在每个簇周围绘制椭圆形。protein数据框被当作对象传入：

clusplot(protein[,-1], groupProtein$cluster, main='2D representation of the Cluster solution',
     color=TRUE, shade = TRUE, labels = 2, lines = 0)

结果如下：

另一个层次化形式展现的方法如下。这里使用agnes（）函数。通过设置diss＝FALSE，不相似度矩阵被用来计算原始数据。metric="euclidean"表明使用欧氏距离进行计算：

foodagg= agnes(protein, diss=FALSE,metric="euclidean")
foodagg

结果如下：

plot()画出图形：按回车可查看下一章图，共两张图。

> plot(foodagg, main='Dendrogram')
Hit <Return> to see next plot:
Hit <Return> to see next plot:

结果如下：

cutree（）函数切割树到几个组中，通过设定期望的组数量或者切割的高度来进行划分：

groups <- cutree(foodagg, k=4)
groups

结果如下：

> groups

[1] 1 2 2 1 2 3 2 3 3 2 2 3 2 3 3 2 2 4 2 3 3 3 4 3 4

rect.hclust(foodagg, k=4,border="red")

结果如下：