Python数据分析案例03——天气K均值聚类分析

聚类常用的算法肯定是K均值聚类了，本次案例采用陕西的十个地区的天气数据，构建特征，进行聚类分析。

首先数据都装在‘天气数据’这个文件夹里面，如图：

打开其中一个excel，长这个样子

下面开始数据处理。需要数据的同学可以参考：天气数据

数据预处理

导入包

import osimport matplotlib.pyplot as pltimport seaborn as snsimport numpy as npimport pandas as pdimport datetime as dtimport re#from sklearn.preprocessing import MinMaxScaler%matplotlib inlinepd.options.display.float_format = '{:,.4f}'.formatnp.set_printoptions(precision=4)plt.rcParams ['font.sans-serif'] ='SimHei'#显示中文plt.rcParams ['axes.unicode_minus']=False#显示负号

获取文件和地区名称

file_name=os.listdir(f'./天气数据')print(file_name)region_name=[i[:2] for i in file_name]region_name

定义一些函数，用来处理数据

def date_transform(x) :a= x.split(' ')[0]a = pd.to_datetime(a, format='%Y-%m-%d')return adef C_check(C):a=C.split('℃')return int(a[0])def tianqi_check1(txt):if '转' in txt:a=re.findall('\w{1,5}转',txt)a=a[0].split('转')a=a[0]elif '~' in txt:a=re.findall('\w{1,5}~',txt)a=a[0].split('~')a=a[0]else:a=txtreturn adef tianqi_check2(txt):if '到' in txt:a=re.findall('到\w{1,5}',txt)a=a[0].split('到')a=a[1]else:a=txtreturn adf_最高气温=pd.DataFrame()df_最低气温=pd.DataFrame()df_天气=pd.DataFrame()dic_天气={'晴':0,'晴到多云':0.5,'晴间多云':0.5,'局部多云':0.5,'多云':1,'少云':1.5,'阴':2,'阴天':2,'雾':2.5,'霾':2.5,'小雨':3,'雨':3,'阴到小雨':2.5,'小到中雨':3.5,'小雨到中雨':3.5,'阵雨':3.5,'中雨':4,'小雨到大雨':4,'雷阵雨':4,'雷雨':4,'中到大雨':4.5,'大雨':5,'大到暴雨':5.5,'暴雨':6,'暴风雨':6.5,'小雪':7,'雨夹雪 ':7,'雪':7,'中雪':8,'大雪':9,'浮尘':2.5,'扬沙':2.5,'风':2.5}

开始读取和处理

for i,f in enumerate(file_name):#print(i)file_path = f'./天气数据/{f}'data=pd.read_excel(file_path,usecols=['日期','最高气温','最低气温','天气'])data['日期']=data['日期'].apply(date_transform)data['最高气温']=data['最高气温'].apply(C_check)data['最低气温']=data['最低气温'].apply(C_check)data['天气']=data['天气'].astype(str).apply(tianqi_check1)data['天气']=data['天气'].astype(str).apply(tianqi_check2)data.loc[:,'天气']=data['天气'].map(dic_天气)data['天气'].fillna(data['天气'].mean)data=data.set_index('日期').resample('M').mean()#print(len(data))df_最高气温[region_name[i]]=data['最高气温']df_最低气温[region_name[i]]=data['最低气温']df_天气[region_name[i]]=data['天气']

最后是形成了三个数据框，最高温和最低温，还有天气情况（比如下雨还是晴天等等），天气情况我用map进行了映射，都变成了数值型变量。

描述性统计

df_最高气温.plot(title='各地区每月最高温变化图',figsize=(14,5),xlabel='日期',ylabel='最高温')

df_最低气温.plot(title='各地区每月最低温变化图',figsize=(14,5),xlabel='日期',ylabel='最低温')

df_天气.plot(title='各地区每月天气变化图',figsize=(14,5),xlabel='日期',ylabel='天气')

都具有很明显的周期性，天气因为是自己映射的数值型数据，所以有点杂乱。

然后画出最高温的箱线图：

column = df_最高气温.columns.tolist() # 列表头fig = plt.figure(figsize=(20, 8), dpi=128)# 指定绘图对象宽度和高度for i in range(len(column)):plt.subplot(2,5, i + 1)# 2行5列子图sns.boxplot(data=df_最高气温[column[i]], orient="v",width=0.5)# 箱式图plt.ylabel(column[i], fontsize=16)plt.title(f'{region_name[i]}每月最高温箱线图',fontsize=16)plt.tight_layout()plt.show()

最低温和天气也是一样画，数据框名称改一下就行。

下面画出最低温的核密度图（同理最高温和天气也是一样的）

fig = plt.figure(figsize=(20, 8), dpi=128)# 指定绘图对象宽度和高度for i in range(len(column)):plt.subplot(2,5, i + 1)# 2行5列子图ax = sns.kdeplot(data=df_最低气温[column[i]],color='blue',shade= True)plt.ylabel(column[i], fontsize=16)plt.title(f'{region_name[i]}每月最低温核密度图',fontsize=16)plt.tight_layout()plt.show()

画出天气的相关性热力图

fig = plt.figure(figsize=(8, 8), dpi=128) corr= sns.heatmap(df_天气[column].corr(),annot=True,square=True)

最高温和最低温也是一样，改一下数据框名称就行。可以看到哪些地区的天气相关性高

K均值聚类

因为本次构建了三个特征，可以进行三次K均值聚类，我们可以比较一下聚类的结果，首先使用最高温进行聚类：

最高温的聚类

from sklearn.cluster import KMeans kmeans_model = KMeans(n_clusters=3, random_state=123, n_init=20)kmeans_model.fit(df_最高气温.T)kmeans_model.inertia_ #组内平方和# kmeans_cc=kmeans_model.cluster_centers_ # 聚类中心# kmeans_cckmeans_labels = kmeans_model.labels_ # 样本的类别标签kmeans_labels pd.Series(kmeans_labels).value_counts() # 统计不同类别样本的数目

映射一下类别的数值

dic_rusult={}for i in range(10):dic_rusult[df_最高气温.T.index[i]]=kmeans_labels[i]dic_rusult

统计一下，打印结果

第一类地区=[]第二类地区=[]第三类地区=[]for k,v in dic_rusult.items():if v==0:第一类地区.append(k)elif v==1:第二类地区.append(k)elif v==2:第三类地区.append(k)print(f'从最高气温来看的聚类的结果，将地区分为三个地区,\n第一个地区为：{第一类地区}，\n第二个地区为：{第二类地区}，\n第三个地区为：{第三类地区}')

可以去地图上看看，聚类的结果还是很有道理的，聚类出来的地区都是挨得很近的地方。

最低温度K均值聚类

kmeans_model = KMeans(n_clusters=3, random_state=123, n_init=20)kmeans_model.fit(df_最低气温.T)kmeans_labels = kmeans_model.labels_ # 样本的类别标签kmeans_labels pd.Series(kmeans_labels).value_counts() # 统计不同类别样本的数目dic_rusult2={}for i in range(10):dic_rusult2[df_最低气温.T.index[i]]=kmeans_labels[i]dic_rusult2第一类地区=[]第二类地区=[]第三类地区=[]for k,v in dic_rusult2.items():if v==2:第一类地区.append(k)elif v==1:第二类地区.append(k)elif v==0:第三类地区.append(k)print(f'从最低气温来看的聚类的结果，将地区分为三个地区,\n第一个地区为：{第一类地区}，\n第二个地区为：{第二类地区}，\n第三个地区为：{第三类地区}')

和最高温的聚类结果差不多

第一个地区对应的关中

第二个地区对应的陕北

第三个地区对应的陕南

天气K均值聚类

kmeans_model = KMeans(n_clusters=3, random_state=123, n_init=20)kmeans_model.fit(df_天气.T)kmeans_labels = kmeans_model.labels_ # 样本的类别标签pd.Series(kmeans_labels).value_counts() # 统计不同类别样本的数目 dic_rusult3={}for i in range(10):dic_rusult3[df_天气.T.index[i]]=kmeans_labels[i]dic_rusult3第一类地区=[]第二类地区=[]第三类地区=[]for k,v in dic_rusult3.items():if v==1:第一类地区.append(k)elif v==2:第二类地区.append(k)elif v==0:第三类地区.append(k)print(f'从天气来看的聚类的结果，将地区分为三个地区,\n第一个地区为：{第一类地区}，\n第二个地区为：{第二类地区}，\n第三个地区为：{第三类地区}')

天气的效果和气温差不多。

第一个地区对应的关中

第二个地区对应的陕北

第三个地区对应的陕南

说明地理位置近的地区的天气更加相似(算法说的)

创作不易，看官觉得写得还不错的话点个关注和赞吧，本人会持续更新python数据分析领域的代码文章~(需要定制代码可私信)