聚類分析是根據(jù)事物自身的特性對被聚類對象進行類別劃分的統(tǒng)計分析方法，它的目的是根據(jù)某種相似度度量對數(shù)據(jù)集進行劃分。

目標數(shù)據(jù)文件：

smoker.xlsx? 一共6個變量

目的：根據(jù)該數(shù)據(jù)中的變量特征進行聚類。

方法一：基于python在spyder中實現(xiàn)。

代碼如下：

代碼寫到這，進行了導(dǎo)入數(shù)據(jù)、查看數(shù)據(jù)、清洗數(shù)據(jù)（數(shù)據(jù)類型變更、去缺失值）。

清洗完數(shù)據(jù)之后，篩選出不同年份的數(shù)據(jù)放入新的數(shù)據(jù)框，并對這些數(shù)據(jù)進行相關(guān)分析corr()

相關(guān)分析之后發(fā)現(xiàn)，這兩個數(shù)值型變量“成年人吸煙占比”和“人均GDP (單位：國際元)”呈低度相關(guān)，決定根據(jù)這兩個變量的變量特征進行聚類。

提取最近年份2016年的數(shù)據(jù)中的“成年人吸煙占比”和“人均GDP (單位：國際元)”放入nin數(shù)據(jù)框中，但是nin數(shù)據(jù)框中 “成年人吸煙占比”和“人均GDP (單位：國際元)”的數(shù)據(jù)差距太大，不在一個量綱，所以要進行數(shù)據(jù)標準化。

沒有進行標準化之前的數(shù)據(jù)

進行標準化之后的數(shù)據(jù)

數(shù)據(jù)標準化之后，導(dǎo)入KMeans模塊進行分類，分成了三類，并把分類標簽添加進nin數(shù)據(jù)框中，再做散點圖。

散點圖

分類后導(dǎo)入輪廓系數(shù)評分模塊metrics查看評分：0.4466479445680197。

評分越接近1，效果越好！

懷疑是不是分類出問題，肘部法則看一下。

坡度趨于平緩的位置就是分類的數(shù)量，上圖中肘部法則建議分三類。

導(dǎo)出中心距離數(shù)據(jù)：

第一類：吸煙占比和其他兩類有明顯差異，比較高；

第二類：人均GDP和其他兩類有明顯差異，特別高；

第三類：吸煙占比、人均GDP和其他兩類有明顯差異，比較低。

聚類完成后，分析各分類對象的特征：

查看三個類別的數(shù)量

從代碼中可以nine數(shù)據(jù)框中的數(shù)據(jù)是2016年的原始數(shù)據(jù)，此次聚類的數(shù)據(jù)就是2016的數(shù)據(jù)，所以在nine數(shù)據(jù)框中添加分類標簽并導(dǎo)出為sk.csv.

在excel中對sk.csv中各類別數(shù)據(jù)進行描述性統(tǒng)計：

第一類

第一類，有61個國家，平均成年人吸煙占比接近30，人均GDP為中等水平。

第二類

第二類，有29個國家，平均成年人吸煙占比為21.5，在這三類國家里為中等，但是這一類國家的人均GDP較高。

第三類國家

第三類，有52個國家，平均成年人吸煙占比為12.3較低，人均GDP較低。

我覺得這個分類不夠細，決定用第二種方法進行聚類

方法二：基于spss進行聚類分析。

一、k-means均值聚類（省略了步驟，只呈現(xiàn)結(jié)果）

頻率（個數(shù)）表

描述統(tǒng)計表

發(fā)現(xiàn)spss均值聚類結(jié)果和python聚類分析結(jié)果幾乎一樣。

二、系統(tǒng)聚類（省略了步驟，只呈現(xiàn)結(jié)果）

系統(tǒng)聚類最大分四類，最少分三類

分三類頻率表

描述統(tǒng)計表

驚訝的發(fā)現(xiàn)系統(tǒng)聚類分三類變得更模糊了。

分四類頻率表

描述統(tǒng)計表

驚喜的系統(tǒng)聚類分四類：

第一類：只有2個國家，根據(jù)吸煙占比和人均GDP，發(fā)現(xiàn)這是兩個富有的國家；

第二類：有81個國家，根據(jù)根據(jù)吸煙占比和人均GDP，發(fā)現(xiàn)包含了發(fā)達國家和發(fā)展中國家；

第三類：有42個國家，根據(jù)根據(jù)吸煙占比和人均GDP，發(fā)現(xiàn)包含了欠發(fā)展的國家；

第四類：有17個國家，根據(jù)根據(jù)吸煙占比和人均GDP，發(fā)現(xiàn)包含了較發(fā)達的國家。

在日常工作中，選擇哪一個聚類結(jié)果要結(jié)合我們的業(yè)務(wù)場景，這就是我常用的聚類分析方法，OVER！

看過的點個贊鴨！