原文链接：http://tecdat.cn/?p=27078 

时序数据的聚类办法

该算法依照以下流程执行。

  2. 应用基于相互关测量的间隔标度（基于形态的间隔：SBD）

  4. 依据 1 计算工夫序列聚类的质心。（一种新的基于质心的聚类算法，可保留工夫序列的形态）

  6. 划分成每个簇的办法和个别的kmeans一样，然而在计算间隔尺度和重心的时候应用下面的1和2。

import pandas as pd

    # 读取数据帧，将其转化为工夫序列数组，并将其存储在一个列表中    tata = \[\]    for i, df in enmee(dfs):                # 查看每个工夫序列数据的最大长度。        for ts in tsda:            if len(s) > ln_a:                lenmx = len(ts)                # 给出最初一个数据，以调整工夫序列数据的长度        for i, ts in enumerate(tsdata):            dta\[i\] = ts + \[ts\[-1\]\] * n_dd        # 转换为矢量    stack_list = \[\]    for j in range(len(timeseries_dataset)):               stack_list.append(data)        # 转换为一维数组    trasfome\_daa = np.stack(ack\_ist, axis=0)    return trafoed_data

数据集筹备

# 文件列表flnes= soted(go.ob('mpldat/smeda*.csv'))
# 从文件中加载数据帧并将其存储在一个列表中。for ienme in fiemes:    df = pd.read\_csv(filnme, indx\_cl=one,hadr=0)    flt.append(df)

聚类后果的可视化

# 为了计算穿插关系，须要对它们进行归一化解决。# TimeSeriesScalerMeanVariance将是对数据进行规范化的类。sac\_da = TimeeiesalerMVarne(mu=0.0, std=1.0).fit\_trnform(tranfome_data)# KShape类的实例化。ks = KShpe(\_clusrs=2, n\_nit=10, vrboe=True, rano_stte=sed)yprd = ks.ft\_reitsak\_ata)# 聚类和可视化plt.tight_layout()plt.show()

用肘法计算簇数

  • 什么是肘法...

  • 计算从每个点到簇核心的间隔的平方和，指定为簇内误差平方和 (SSE)。

  • 它是一种更改簇数，绘制每个 SSE 值，并将像“肘”一样蜿蜒的点设置为最佳簇数的办法。

#计算到1~10个群组 for i  in range(1,11):    #进行聚类计算。    ks.fit(sacdta)    #KS.fit给出KS.inrta_    disorons.append(ks.netia_)plt.plot(range(1,11), disorins, marker='o')

 

最受欢迎的见解

1.R语言k-Shape算法股票价格工夫序列聚类

2.R语言中不同类型的聚类办法比拟

3.R语言对用电负荷工夫序列数据进行K-medoids聚类建模和GAM回归

4.r语言鸢尾花iris数据集的档次聚类

5.Python Monte Carlo K-Means聚类实战

6.用R进行网站评论文本开掘聚类

7.用于NLP的Python：应用Keras的多标签文本LSTM神经网络

8.R语言对MNIST数据集剖析 摸索手写数字分类数据

9.R语言基于Keras的小数据集深度学习图像分类