【Scikit-learn】K-means法でクラスタ毎のサンプル数を表示

この記事では、Pythonと機械学習ライブラリ「scikit-learn」を用いて、K-means法によるクラスタ分析でクラスタ毎のサンプル数を表示する方法について解説します。

クラスタ分析とは
sklearn.cluster.KMeans クラス
ソースコード
実行結果

クラスタ分析とは

クラスタ分析 (clustering)とは、データを分類する手法です。
与えられたデータを外的基準なし（教師データなし）で自動的に分類します。
今回は、scikit-learnのk-means法でクラスタリングし、各クラスタ内にあるデータの個数を表示してきます。

【詳細】
・【k-means法】クラスタリングのアルゴリズム

sklearn.cluster.KMeans クラス

scikit-learnでは、sklearn.cluster.KMeansクラスを使うことでk-means方を実装できます。
その使い方は下記の通りです。

書式

sklearn.cluster.KMeans(n_clusters=8, init='k-means++', n_init=10, max_iter=300, tol=0.0001,precompute_distances='auto', verbose=0, random_state=None, copy_x=True, n_jobs=1)

※各パラメータに設定されてる値(=の後)はデフォルト値

パラメータ	内容
n_clusters	クラスタの個数（分類する種類の数）
max_iter	繰り返し回数の最大値
n_init	初期値選択時に、異なる乱数のシードで初期の重心を選ぶ処理の実行回数
init	初期化の方法（’k-means++”, ‘random’ ndarray で指定）
tol	収束判定の許容可能誤差
precompute_distances	距離 (データのばらつき具合) を事前に計算するか否か（ ‘auto’, True, False で指定）
verbose	1 なら分析結果を詳細表示
random_state	乱数のシードを固定する場合に指定（数値か「integer or numpy.RandomState」で指定）
copy_x	メモリ内でデータを複製してから、距離を事前に計算するか否か
n_jobs	並列処理で初期化する際の多重度（-1 で全てのCPU を使用）

メソッド	内容
fit(X[, y])	クラスタリングの計算をする
fit_predict(X[, y])	各サンプルのクラスタ番号を算出
fit_transform(X[, y])	クラスタリングの計算をして、Xを分析に用いた距離空間に変換して返す
get_params([deep])	計算に用いたパラメータを返す
predict(X)	Xのサンプルが属しているクラスタ番号を返す
set_params(**params)	パラメータを設定
transform(X[, y])	Xを分析に用いた距離空間に変換して返す

【参考文献】 http://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html

ソースコード

サンプルプログラムのソースコードです。

# -*- coding: utf-8 -*-
import pandas as pd
import numpy as np
from sklearn.cluster import KMeans

def main():
    # CSVファイルを取得
    data = pd.read_csv("data.csv")
    # Pandasデータフレームをnumpy配列に変換
    data2 = np.array([data['x1'].tolist(), data['x2'].tolist(), data['x3'].tolist()], np.int32)
    # numpy配列を転置
    data2 = data2.T
    # k-means法でクラスタ分析（クラスタ数は3）
    result = KMeans(n_clusters=3).fit_predict(data)
    # クラスタ毎のサンプル数を表示
    data['cluster_id'] = result
    print(data['cluster_id'].value_counts())

if __name__ == "__main__":
    main()

【data.csv】

x1,x2,x3
45,17.5,30
38,17.0,25
41,18.5,20
34,18.5,30
59,16.0,45
47,19.0,35
35,19.5,25
43,16.0,35
54,18.0,35
52,19.0,40

実行結果

サンプルプログラムの実行結果です。

1    4
2    3
0    3

1列目がクラスタ番号、2列目がサンプル数です。
今回はdata.csvのx1, x2, x3の３つのデータをもつ10組をk-means法で3つのクラスタ（0～2番）に分類しています。
上記の結果だとクラスタ番号1にはデータ4つ、番号2には3つ、番号0には3つのデータが分類されていることがわかります。
あらかじめデータの個数が多い順に上から並べられています。