奇书网

第四节 篮球运动员行为分析（第3页）

&roids_diew=recaltroids（nba）

&r_troids_troids_dict，

&roids_diew）

In[27]：visualize_ba，um）

图5-7

上述过程完整地实现了k-平均聚类的算法。前面已经提到过这种聚类方法的结果与初始中心的选取有关，只进行一次这样的聚类，聚类结果会有一定的偏差。Python的sklearn库针对简单的k-平均聚类做了优化。例如，通过多次选取初始中心，参考多次聚类的结果输出最终的聚类结果，从而改善聚类效果。通过调用sklearn库来实现k-平均聚类只需要设置聚类的个数，数行代码就可以完成聚类工作。代码和相应的输出结果如图5-8所示。

In[1]：fromsklearKMeans

In[2]：importpandasaspd

In[3]：importmatplotlib。pyplotasplt

In[4]：defvisualize_clusters（df，um）：

colors=['b'，'g'，'r'，'c'，'m'，'y'，'k']

fe（um）：

clustered_df=df[df['cluster']==i]

plt。scatter（clustered_df['ppg']，clustered_df

['atr']，c=colors[i]）

plt。xlabel（'Pame'，fontsize=12）

plt。ylabel（'AssistTurio'，fontsize=12）

plt。show（）

In[5]：um=5

In[6]：nba=pd。read_csv（'nba_2013。csv'）

In[7]：kmeans=KMeans（er_num）

I（nba[['ppg'，'atr']]）

Out[8]：

KMeans（algorithm='auto'，copy_x=True，init='k-means++'，max_iter

=300，n_clusters=5，n_init=10，n_jobs=1，prepute_distances='aut

o'，raol=0。0001，verbose=0）

In[9]：nba['eans。labels_

In[10]：visualize_ba，um）

图5-8