python k-means聚类算法物流分配预测实战（超详细，附源码）

桃扇骨 2023-09-30 15:30 1阅读 0赞

> **数据集和地图可以点赞关注收藏后评论区留下QQ邮箱或者私信博主要**

聚类是一类机器学习基础算法的总称。

聚类的核心计算过程是将数据对象集合按相似程度划分成多个类，划分得到的每个类称为聚类的簇

聚类不等于分类，其主要区别在于聚类所面对的目标类别是未知的

**k-means聚类也称为K均值聚类算法，是典型的聚类算法，对于给定的数据集和需要划分的类数K，算法根据距离函数进行迭代处理，动态 的把数据划分成K个簇，直到收敛为止，簇中心也称为聚类中心**

**先来个小例子**

**这个是通过聚类算法对鸢尾花数据集的预测结果**

**![e8c430f392f74ce8bc00e1a01e00346e.png][]**

**代码如下**

from sklearn.cluster import  KMeans
    from sklearn import  datasets
    import  numpy as np
    iris=datasets.load_iris()
    x=iris.data
    y=iris.target
    clf=KMeans(n_clusters=3)
    model=clf.fit(x)
    predicted=model.predict(x)
    print("预测值",predicted)
    print("真实值",y)
    print()

**同样地k-means聚类算法广泛地应用于人群分类，图像分割，物种聚类等等问题中**

**下面以一个物流配送问题为例进行详细讲解**

**问题描述：双十一期间，物流公司要给某城市的50个客户配送货物，假设公司只有5辆货车，客户的地理坐标在txt文件中，如何配送效率最高**

**问题分析：使用k-means算法，将地址数据分为5类，由于每一类客户地址相近，可以分配给同一台货车**

**原地图如下**

**![08769dd4e9954e6ebc05c208bdfc71e0.png][]**

经过聚类分析后结果如下

![6972cec10e2f40b9a90ca5e21c1fe98b.png][]

**很明显根据客户的地址分为5个簇，每个簇由一台货车集中配送**

**源代码如下**

#coding=utf-8
    from numpy import *
    from matplotlib import pyplot as plt
    import matplotlib; matplotlib.use('TkAgg')
    def disteclud(veca,vecb):
        return sqrt(sum(power(veca-vecb,2)))
    def initcenter(dataset,k):
        print('2.initalize cluster center')
        shape=dataset.shape
        n=shape[1]
        classcenter=array(zeros((k,n)))
        for j in range(n):
            firstk=dataset[:k,j]
            classcenter[:,j]=firstk
        return  classcenter
    def mykmeans(dataset,k):
        m=len(dataset)
        clusterpoints=array(zeros((m,2)))
        classCenter=initcenter(dataset,k)
        clusterchanged=True
        print('3.recompute and reallocated')
        while clusterchanged:
            clusterchanged=False
            for i in range(m):
                mindist=inf
                minindex=-1
                for j in range(k):
                    distji=disteclud(classCenter[j,:],dataset[i,:])
                    if distji<mindist:
                        mindist=distji;minindex=j
                if clusterpoints[i,0]!=minindex:
                    clusterchanged=True
                clusterpoints[i,:]=minindex,mindist**2
            for cent in range(k):
                ptsinclust=dataset[nonzero(clusterpoints[:,0]==cent)[0]]
                classCenter[cent,:]=mean(ptsinclust,axis=0)
        return classCenter,clusterpoints
    def show(dataset,k,classCenter,clusterPoints):
        print('4.load the map')
        fig=plt.figure()
        rect=[0.1,0.1,1.0,1.0]
        axprops=dict(xticks=[],yticks=[])
        ax0=fig.add_axes(rect,label='ax1',frameon=False)
        imgp=plt.imread(r'C:\Users\Admin\Desktop\city.png')
        ax0.imshow(imgp)
        ax1=fig.add_axes(rect,label='ax1',frameon=False)
        print('5.show the clusters')
        numsamples=len(dataset)
        mark=['ok','^b','om','og','sc']
        for i in range(numsamples):
            markindex=int(clusterPoints[i,0])%k
            ax1.plot(dataset[i,0],dataset[i,1],mark[markindex])
        for i in range(k):
            markindex=int(clusterPoints[i,0])%k
            ax1.plot(classCenter[i,0],classCenter[i,1],'^r',markersize=12)
        plt.show()
    print('1. load the dataset')
    dataset=loadtxt(r'C:\Users\Admin\Desktop\testSet.txt')
    k=5
    classCenter,clssspoints=mykmeans(dataset,k)
    show(dataset,k,classCenter,clssspoints)

**数据集和地图可以点赞关注收藏后评论区留下QQ邮箱或者私信博主要**

[e8c430f392f74ce8bc00e1a01e00346e.png]: https://img-blog.csdnimg.cn/e8c430f392f74ce8bc00e1a01e00346e.png
[08769dd4e9954e6ebc05c208bdfc71e0.png]: https://img-blog.csdnimg.cn/08769dd4e9954e6ebc05c208bdfc71e0.png
[6972cec10e2f40b9a90ca5e21c1fe98b.png]: https://img-blog.csdnimg.cn/6972cec10e2f40b9a90ca5e21c1fe98b.png