Python讀取csv文件做K-means分析詳情

更新時(shí)間：2022年03月30日 10:20:12 作者：空中旋轉(zhuǎn)籃球

這篇文章主要介紹了Python讀取csv文件做K-means分析詳情，基于時(shí)間序列的分析2D讀取時(shí)間列和高程做一下分析。下文更多詳細(xì)介紹需要的小伙伴可以參考一下

1.運(yùn)行環(huán)境及數(shù)據(jù)

Python3.7、PyCharm Community Edition 2021.1.1，win10系統(tǒng)。

使用的庫：matplotlib、numpy、sklearn、pandas等

數(shù)據(jù)：CSV文件，包含時(shí)間，經(jīng)緯度，高程等數(shù)據(jù)

2.基于時(shí)間序列的分析2D

讀取時(shí)間列和高程做一下分析：

代碼如下：

from PIL import Image
import matplotlib.pyplot as plt
import numpy as np
from sklearn.cluster import KMeans, MiniBatchKMeans
import pandas as pd
?
if __name__ == "__main__":
? ? data = pd.read_csv(r"H:\CSDN_Test_Data\UseYourTestData.csv")
? ? x, y = data['Time (sec)'], data['Height (m HAE)']
? ? n = len(x)
? ? x = np.array(x)
? ? x = x.reshape(n, 1)#reshape 為一列
? ? y = np.array(y)
? ? y = y.reshape(n, 1)#reshape 為一列
? ? data = np.hstack((x, y)) #水平合并為兩列
? ? k = 8 ?# 設(shè)置顏色聚類的類別個(gè)數(shù)（我們分別設(shè)置8，16，32，64，128進(jìn)行對(duì)比）
? ? cluster = KMeans(n_clusters=k) ?# 構(gòu)造聚類器
? ? C = cluster.fit_predict(data)
? ? # C_Image = cluster.fit_predict(data)
? ? print("訓(xùn)練總耗時(shí)為：%s(s)" % (Trainingtime).seconds)
? ? plt.figure()
? ? plt.scatter(data[:, 0], data[:, 1], marker='o', s=2, c=C)
? ? plt.show()

結(jié)果展示：

2.1 2000行數(shù)據(jù)結(jié)果展示

2.2 6950行數(shù)據(jù)結(jié)果展示

2.3 300M,約105萬行數(shù)據(jù)結(jié)果展示

CPU立馬90%以上了。大約1-2分鐘，也比較快了。

markersize有些大了，將markersize改小一些顯示，設(shè)置為0.1，點(diǎn)太多還是不明顯。

3.經(jīng)緯度高程三維坐標(biāo)分類顯示3D-空間點(diǎn)聚類

修改代碼，讀取相應(yīng)的列修改為X,Y,Z坐標(biāo)：如下：

from PIL import Image
import matplotlib.pyplot as plt
import numpy as np
from sklearn.cluster import KMeans, MiniBatchKMeans
import pandas as pd
from mpl_toolkits.mplot3d import Axes3D
?
if __name__ == "__main__":
? ? data = pd.read_csv(r"H:\CSDN_Test_Data\UseYourTestData.csv")
? ? x, y,z = data['Longitude (deg)'],data['Latitude (deg)'], ?data['Height (m HAE)']
? ? n = len(x)
? ? x = np.array(x)
? ? x = x.reshape(n, 1)#reshape 為一列
? ? y = np.array(y)
? ? y = y.reshape(n, 1)#reshape 為一列
? ? z = np.array(z)
? ? z = z.reshape(n, 1) ?# reshape 為一列
? ? data = np.hstack((x, y, z)) #水平合并為兩列
? ? k = 8 ?# 設(shè)置顏色聚類的類別個(gè)數(shù)（我們分別設(shè)置8，16，32，64，128進(jìn)行對(duì)比）
? ? cluster = KMeans(n_clusters=k) ?# 構(gòu)造聚類器
? ? C = cluster.fit_predict(data)
?
? ? # C_Image = cluster.fit_predict(data)
? ? print("訓(xùn)練總耗時(shí)為：%s(s)" % (Trainingtime).seconds)
? ? fig = plt.figure()
? ? ax = Axes3D(fig)
?
? ? ax.scatter(data[:, 0], data[:, 1],data[:, 2], s=1, c=C)
? ? # 繪制圖例
? ? ax.legend(loc='best')
? ? # 添加坐標(biāo)軸
? ? ax.set_zlabel('Z Label', fontdict={'size': 15, 'color': 'red'})
? ? ax.set_ylabel('Y Label', fontdict={'size': 15, 'color': 'red'})
? ? ax.set_xlabel('X Label', fontdict={'size': 15, 'color': 'red'})
? ? plt.show()