TSNE降維

降維就是用2維或3維表示多維數據（彼此具有相關性的多個特征數據）的技術，利用降維算法，可以顯式地表現數據。（t-SNE）t分布隨機鄰域嵌入 是一種用于探索高維數據的非線性降維算法。它將多維數據映射到適合于人類觀察的兩個或多個維度。

python代碼

km.py

#k_mean算法import pandas as pdimport csvimport pandas as pd import numpy as np #參數初始化inputfile = ’x.xlsx’ #銷量及其他屬性數據outputfile = ’x_1.xlsx’ #保存結果的文件名k = 2 #聚類的類別iteration = 3 #聚類最大循環次數 data = pd.read_excel(inputfile, index_col = ’Id’) #讀取數據 data_zs = 1.0*(data - data.mean())/data.std() #數據標準化，std()表示求總體樣本方差(除以n-1),numpy中std()是除以n print(’data_zs’) from sklearn.cluster import KMeansmodel = KMeans(n_clusters = k, max_iter = iteration) #分為k類#model = KMeans(n_clusters = k, n_jobs = 4, max_iter = iteration) #分為k類，并發數4print(’data_zs’)model.fit(data_zs) #開始聚類 #簡單打印結果r1 = pd.Series(model.labels_).value_counts() #統計各個類別的數目r2 = pd.DataFrame(model.cluster_centers_) #找出聚類中心r = pd.concat([r2, r1], axis = 1) #橫向連接（0是縱向），得到聚類中心對應的類別下的數目print(’data_zs’)print(r)r.columns = list(data.columns) + [u’類別數目’] #重命名表頭print(r) #詳細輸出原始數據及其類別 r = pd.concat([data, pd.Series(model.labels_, index = data.index)], axis = 1) #詳細輸出每個樣本對應的類別r.columns = list(data.columns) + [u’聚類類別’] #重命名表頭r.to_excel(outputfile) #保存結果

TSNE.py

# coding=utf-8 from sklearn.manifold import TSNE from pandas.core.frame import DataFrameimport pandas as pd import numpy as np import km as k #用TSNE進行數據降維并展示聚類結果 tsne = TSNE()tsne.fit_transform(k.data_zs) #進行數據降維,并返回結果tsne = pd.DataFrame(tsne.embedding_, index = k.data_zs.index) #轉換數據格式 import matplotlib.pyplot as pltplt.rcParams[’font.sans-serif’] = [’SimHei’] #用來正常顯示中文標簽plt.rcParams[’axes.unicode_minus’] = False #用來正常顯示負號 #不同類別用不同顏色和樣式繪圖d = tsne[k.r[u’聚類類別’]== 0] #找出聚類類別為0的數據對應的降維結果plt.plot(d[0], d[1], ’r.’)d = tsne[k.r[u’聚類類別’] == 1]plt.plot(d[0], d[1], ’go’)#d = tsne[k.r[u’聚類類別’] == 2]#plt.plot(d[0], d[1], ’b*’)plt.savefig('data.png')plt.show()

數據格式

數據需要用xlsx文件存儲，表頭名為Id。

執行 TSNE.py即可獲得可視化圖片。

以上這篇python代碼實現TSNE降維數據可視化教程就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持好吧啦網。