#-*-?coding:?utf-8?-*-?
import?pandas?as?pd
import?numpy?as?np
from?sklearn.cluster?import?KMeans
import?matplotlib.pyplot?as?plt

data?=?pd.read_csv（r‘.\\data\\air_data.csv‘?encoding=“utf-8“）
print（data.shape）
print（data.info（））

data?=?data[data[“SUM_YR_1“].notnull（）?&?data[“SUM_YR_2“].notnull（）]
index1?=?data[“SUM_YR_1“]?!=?0
index2?=?data[“SUM_YR_2“]?!=?0
index3?=?（data[“SEG_KM_SUM“]?==?0）?&?（data[“avg_discount“]?==?0）
data?=?data[index1?|?index2|?index3]
print（data.shape）

filter_data?=?data[[?“FFP_DATE“?“LOAD_TIME“?“FLIGHT_COUNT“?“SUM_YR_1“?“SUM_YR_2“?“SEG_KM_SUM“?“AVG_INTERVAL“??“MAX_INTERVAL“?“avg_discount“]]
filter_data[0:5]

data[“LOAD_TIME“]?=?pd.to_datetime（data[“LOAD_TIME“]）
data[“FFP_DATE“]?=?pd.to_datetime（data[“FFP_DATE“]）
data[“入會時間“]?=?data[“LOAD_TIME“]?-?data[“FFP_DATE“]
data[“平均每公里票價“]?=?（data[“SUM_YR_1“]?+?data[“SUM_YR_2“]）?/?data[“SEG_KM_SUM“]
data[“時間間隔差值“]?=?data[“MAX_INTERVAL“]?-?data[“AVG_INTERVAL“]
deal_data?=?data.rename（
????columns?=?{“FLIGHT_COUNT“?:?“飛行次數“?“SEG_KM_SUM“?:?“總里程“?“avg_discount“?:?“平均折扣率“}
????inplace?=?False
）
filter_data?=?deal_data[[“入會時間“?“飛行次數“?“平均每公里票價“?“總里程“?“時間間隔差值“?“平均折扣率“]]
print（filter_data[0:5]）
filter_data[‘入會時間‘]?=?filter_data[‘入會時間‘].astype（np.int64）/（60*60*24*10**9）
print（filter_data[0:5]）
print（filter_data.info（））

filter_zscore_data?=?（filter_data?-?filter_data.mean（axis=0））/（filter_data.std（axis=0））
filter_zscore_data[0:5]


def?distEclud（vecA?vecB）:
????“““
????計算兩個向量的歐式距離的平方，并返回
????“““
????return?np.sum（np.power（vecA?-?vecB?2））


def?test_Kmeans_nclusters（data_train）:
????“““
????計算不同的k值時，SSE的大小變化
????“““
????data_train?=?data_train.values
????nums?=?range（2?10）
????SSE?=?[]
????for?num?in?nums:
????????sse?=?0
????????kmodel?=?KMeans（n_clusters=num?n_jobs=4）
????????kmodel.fit（data_train）
????????#?簇中心
????????cluster_ceter_list?=?kmodel.cluster_centers_
????????#?個樣本屬于的簇序號列表
????????cluster_list?=?kmodel.labels_.tolist（）
????????for?index?in?range（len（data））:
????????????cluster_num?=?cluster_list[index]
????????????sse?+=?distEclud（data_train[index?:]?cluster_ceter_list[cluster_num]）
????????print（“簇數是“?num?“時；?SSE是“?sse）
????????SSE.append（sse）
????return?nums?SSE


nums?SSE?=?test_Kmeans_nclusters（filter_zscore_data）

#畫圖，通過觀察SSE與k的取值嘗試找出合適的k值
#?中文和負號的正常顯示
plt.rcParams[‘font.sans-serif‘]?=?‘SimHei‘
plt.rcParams[‘font.size‘]?=?12.0
plt.rcParams[‘axes.unicode_minus‘]?=?False
#?使用ggplot的繪圖風格
plt.style.use（‘ggplot‘）
##?繪圖觀測SSE與簇個數的關系
fig=plt.figure（figsize=（10?8））
ax=fig.add_subplot（111）
ax.plot（numsSSEmarker=“+“）
ax.set_xlabel（“n_clusters“?fontsize=18）
ax.set_ylabel（“SSE“?fontsize=18）
fig.suptitle（“KMeans“?fontsize=20）
plt.show（）

kmodel?=?KMeans（n_clusters=5?n_jobs=4）
kmodel.fit（filter_zscore_data）
#?簡單打印結果
r1?=?pd.Series（kmodel.labels_）.value_counts（）??#?統計各個類別的數目
r2?=?pd.Dataframe（kmodel.cluster_centers_）??#?找出聚類中心
#?所有簇中心坐標值中最大值和最小值
max?=?r2.value

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????目錄???????????0??2019-07-05?16:10??aircustmer\
?????文件????????5428??2019-05-23?16:17??aircustmer\AirTest2.py
?????目錄???????????0??2019-07-05?16:09??aircustmer\data\
?????文件????14478308??2015-12-05?21:05??aircustmer\data\air_data.csv
?????文件????31963648??2019-05-29?14:54??aircustmer\data\result2.xls