ПочатиПочніть безкоштовно

Спостереження за Pokémon: ієрархічне кластеризування

Продовжимо дослідження спостережень за легендарними Pokémon із попередньої вправи. Пам'ятайте: на точковій діаграмі ви визначили дві ділянки з високою щільністю спостережень. Це означає, що точки, схоже, поділяються на два кластери. У цій вправі ви сформуєте два кластери спостережень за допомогою ієрархічного кластеризування.

'x' і 'y' — це стовпці з координатами X та Y місць спостережень, збережені в датафреймі pandas df. Доступні до використання: matplotlib.pyplot як plt, seaborn як sns і pandas як pd.

Ця вправа є частиною курсу

Кластерний аналіз у Python

Переглянути курс

Інструкції до вправи

  • Імпортуйте бібліотеки linkage і fcluster.
  • Використайте функцію linkage() для обчислення відстаней методом ward.
  • Згенеруйте мітки кластерів для кожної точки даних на два кластери за допомогою функції fcluster().
  • Побудуйте точки за допомогою seaborn і призначте кожному кластеру окремий колір.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Import linkage and fcluster functions
from scipy.cluster.hierarchy import ____, ____

# Use the linkage() function to compute distance
Z = ____(____, 'ward')

# Generate cluster labels
df['cluster_labels'] = ____(____, ____, criterion='maxclust')

# Plot the points with seaborn
sns.scatterplot(x=____, y=____, hue=____, data=df)
plt.show()
Редагувати та запускати код