Спостереження за Pokémon: кластеризація k-means
Ми продовжимо дослідження спостережень за легендарними Pokémon із попередньої вправи. Так само, як і раніше, використаємо той самий приклад спостережень за Pokémon. У цій вправі ви сформуєте кластери спостережень за допомогою кластеризації k-means.
x і y — це стовпці з координатами X та Y місць спостережень, що зберігаються в датафреймі pandas df. Доступні для використання: matplotlib.pyplot як plt, seaborn як sns і pandas як pd.
Ця вправа є частиною курсу
Кластерний аналіз у Python
Інструкції до вправи
- Імпортуйте функції
kmeansіvq. - Використайте функцію
kmeans(), щоб обчислити центри кластерів, задавши два кластери. - Призначте мітки кластерів кожній точці даних за допомогою функції
vq(). - Побудуйте точки за допомогою seaborn і надайте кожному кластеру інший колір.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Import kmeans and vq functions
from scipy.cluster.vq import ____, ____
# Compute cluster centers
centroids,_ = ____(____, ____)
# Assign cluster labels
df['cluster_labels'], _ = ____(____, ____)
# Plot the points with seaborn
sns.scatterplot(x=____, y=____, hue=____, data=df)
plt.show()