物流電商模型：k-means 分析
你已經對模型輸出有了第一步的瞭解，現在可以透過叢集分析進一步看出結果之間的模式與關係。
你將使用 k-means 演算法來協助理解影響模型行為的主要控制因子，並將資料點依相似屬性分成多個群組。這有助於找出你的模型所代表的真實電商／物流作業中的瓶頸。
kmeans 與 whiten 已從 scipy.cluster.vq 匯入，並已匯入 matplotlib.pyplot as plt。原始與白化（whitened）後的資料集都具有下列欄位。虛擬變數 p 定義這些流程在資料集中的索引：
- 第 1 欄（
p=0）：time_requests - 第 2 欄（
p=1）：time_packaging - 第 3 欄（
p=2）：time_shipping - 第 4 欄（
p=3）：sum/total time
本練習屬於課程
Python 的離散事件模擬
練習說明
- 對
record_processes_np陣列進行 whiten，以便為 k-means 分群做好準備。 - 使用 SciPy 套件在
whitened陣列上執行 k-means 方法，並將 k 設為尋找 3 個叢集。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Whiten the record_processes_np array
whitened = ____(record_processes_np)
# Run the k-means method on whitened, using three clusters
codebook, distortion = ____(whitened, ____)
fig, axs = plt.subplots(3)
for p in range(3):
axs[p].scatter(whitened[:, 3], whitened[:, p], marker=".", label=f"{process_names[p]}")
axs[p].scatter(codebook[:, 3], codebook[:, p], label='Cluster Centroids')
axs[p].legend(loc='center left', bbox_to_anchor=(1, 0.5))
axs[p].set_ylabel(f'Process duration (days)')
axs[p].set_xlabel('Total duration (days)')
plt.show()