python数据分析与挖掘实战（5）挖掘建模之聚类分析、关联规则

    #!/usr/bin/env python
    # -*- coding:utf-8 -*-
    import pandas as pd
    inputfile='E:\ pycharm\ python数据分析与挖掘实战数据及源码\ chapter5\ demo\ data\ consumption_data.xls'
    outputfile='E:\ pycharm\ python数据分析与挖掘实战数据及源码\ chapter5\ demo\ tmp\ data_type1.xls'
    k=3
    iteration=500
    data=pd.read_excel(inputfile,index_col=u'Id')
    data_zs=1.0*(data-data.mean())/data.std()#数据标准化
    
    from sklearn.cluster import  KMeans
    model=KMeans(n_clusters=k,n_jobs=1,max_iter=iteration)#分为k类，并发数为4
    model.fit(data_zs)
    
    #简单打印结果
    r1=pd.Series(model.labels_).value_counts()#统计各个类别的数目
    r2=pd.DataFrame(model.cluster_centers_)#找出聚类中心
    r=pd.concat([r2,r1],axis=1)#横向连接（0是纵向），得到聚类中心对应的类别下的数目
    r.columns=list(data.columns)+[u'类别数目']
    
    #详细输出原始数据及其类别
    r=pd.concat([data,pd.Series(model.labels_,index=data.index)],axis=1)
    r.columns=list(data.columns)+[u'聚类类别']
    r.to_excel(outputfile)
    
    def density_plot(data):#自定义作图函数
    import matplotlib.pyplot as plt
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    p=data.plot(kind='kde',linewidth=2,subplots=True,sharex=False)#kde表示密度图
    [p[i].set_ylabel(u'密度') for i in range(k)]
    plt.legend()
    return plt
    pic_output='E:\ pycharm\ python数据分析与挖掘实战数据及源码\ chapter5\ demo\ tmp\ new'
    for i in range(k):
    density_plot(data[r['聚类类别']==i]).savefig(u'%s%s.png' %(pic_output,i))

    #用TSNE进行数据降维并展示聚类结果
    from sklearn.manifold import TSNE
    tsne=TSNE()
    tsne.fit_transform(data_zs)
    tsne=pd.DataFrame(tsne.embedding_,index=data_zs.index)
    import matplotlib.pyplot as plt
    
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    d=tsne[r[u'聚类类别']==0]
    plt.plot(d[0],d[1],'r.')
    d=tsne[r[u'聚类类别']==1]
    plt.plot(d[0],d[1],'go')
    d=tsne[r[u'聚类类别']==2]
    plt.plot(d[0],d[1],'b*')
    plt.show()

    #!/usr/bin/env python
    # -*- coding:utf-8 -*-
    #使用Apriori算法挖掘菜品订单关联规则
    import pandas as pd
    from apriori import *
    inputfile='E:\ pycharm\ python数据分析与挖掘实战数据及源码\ chapter5\ demo\ data\ menu_orders.xls'
    outputfile='E:\ pycharm\ python数据分析与挖掘实战数据及源码\ chapter5\ demo\ tmp\ apriori_rules.xls'
    data=pd.read_excel(inputfile,header=None)
    
    print(u'\n转换原始数据01矩阵...')
    ct=lambda x:pd.Series(1,index=x[pd.notnull(x)])#转换01矩阵的过渡函数
    b=map(ct,data.as_matrix())#用map方式执行，map(函数，对象)，只是一个将对象进行函数化后的容器
    data=pd.DataFrame(list(b)).fillna(0)#实现矩阵转化，空值用0填充
    print(u'\n转换完毕')
    del b#删除中间变量b，节省内存
    support=0.2
    confidence=0.5
    ms='----'#连接符，用来区分不通过元素，如A---B，需要保证原始表格中不含有该字符
    find_rule(data,support,confidence,ms).to_excel(outputfile)

    #-*- coding: utf-8 -*-
    from __future__ import print_function
    import pandas as pd
    
    #自定义连接函数，用于实现L_{k-1}到C_k的连接
    def connect_string(x, ms):
      x = list(map(lambda i:sorted(i.split(ms)), x))
      l = len(x[0])
      r = []
      for i in range(len(x)):
    for j in range(i,len(x)):
      if x[i][:l-1] == x[j][:l-1] and x[i][l-1] != x[j][l-1]:
        r.append(x[i][:l-1]+sorted([x[j][l-1],x[i][l-1]]))
      return r
    
    #寻找关联规则的函数
    def find_rule(d, support, confidence, ms = u'--'):
      result = pd.DataFrame(index=['support', 'confidence']) #定义输出结果
      
      support_series = 1.0*d.sum()/len(d) #支持度序列
      column = list(support_series[support_series > support].index) #初步根据支持度筛选
      k = 0
      
      while len(column) > 1:
    k = k+1
    print(u'\n正在进行第%s次搜索...' %k)
    column = connect_string(column, ms)
    print(u'数目：%s...' %len(column))
    sf = lambda i: d[i].prod(axis=1, numeric_only = True) #新一批支持度的计算函数
    
    #创建连接数据，这一步耗时、耗内存最严重。当数据集较大时，可以考虑并行运算优化。
    d_2 = pd.DataFrame(list(map(sf,column)), index = [ms.join(i) for i in column]).T
    
    support_series_2 = 1.0*d_2[[ms.join(i) for i in column]].sum()/len(d) #计算连接后的支持度
    column = list(support_series_2[support_series_2 > support].index) #新一轮支持度筛选
    support_series = support_series.append(support_series_2)
    column2 = []
    
    for i in column: #遍历可能的推理，如{A,B,C}究竟是A+B-->C还是B+C-->A还是C+A-->B？
      i = i.split(ms)
      for j in range(len(i)):
        column2.append(i[:j]+i[j+1:]+i[j:j+1])
    
    cofidence_series = pd.Series(index=[ms.join(i) for i in column2]) #定义置信度序列
     
    for i in column2: #计算置信度序列
      cofidence_series[ms.join(i)] = support_series[ms.join(sorted(i))]/support_series[ms.join(i[:len(i)-1])]
    
    for i in cofidence_series[cofidence_series > confidence].index: #置信度筛选
      result[i] = 0.0
      result[i]['confidence'] = cofidence_series[i]
      result[i]['support'] = support_series[ms.join(sorted(i.split(ms)))]
      
      result = result.T.sort_values(['confidence','support'], ascending = False) #结果整理，输出
      print(u'\n结果为：')
      print(result)
      
      return result