-
Notifications
You must be signed in to change notification settings - Fork 0
/
clustering.py
490 lines (370 loc) · 19.9 KB
/
clustering.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
# -*- coding: utf-8 -*-
"""
Autor:
Iván Rodríguez Millán.
Fecha:
18 de Diciembre del 2017.
Contenido:
Uso de algoritmos de Clustering con diferentes librerías.
Inteligencia de Negocio.
Grado en Ingeniería Informática.
Universidad de Granada.
"""
'''
Documentación sobre clustering en Python:
http://scikit-learn.org/stable/modules/clustering.html
http://www.learndatasci.com/k-means-clustering-algorithms-python-intro/
http://hdbscan.readthedocs.io/en/latest/comparing_clustering_algorithms.html
https://joernhees.de/blog/2015/08/26/scipy-hierarchical-clustering-and-dendrogram-tutorial/
'''
import time
import os
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
from scipy.cluster.hierarchy import dendrogram, linkage
import pylab
import numpy as np
import sklearn.cluster as cluster
#Saco el dendrograma usando scipy, que realmente vuelve a ejecutar el clustering jerárquico
from scipy.cluster import hierarchy
from sklearn.model_selection import StratifiedKFold
from sklearn.metrics import accuracy_score
from sklearn.metrics import f1_score
from sklearn.metrics import roc_auc_score
from imblearn.metrics import geometric_mean_score
from sklearn import preprocessing
from sklearn import metrics
from sklearn import preprocessing
from math import floor
##########################################################################################################
#Función para extraer las medias y desviaciones típicas de los valores de cada cluster para cada variable#
##########################################################################################################
def calcularMediaStd(cluster):
vars = list(cluster)
vars.remove('cluster')
return dict(np.mean(cluster[vars],axis=0)), dict(np.std(cluster[vars],axis=0))
def DFClusterConMedias(dataFrame):
listaClusters = list(set(dataFrame['cluster']))
DFMedia = pd.DataFrame()
DFStd = pd.DataFrame()
for cluster_n in listaClusters:
cluster_i = dataFrame[dataFrame['cluster'] == cluster_n]
DicMedia, DicStd = calcularMediaStd(cluster=cluster_i)
auxDFMedia = pd.DataFrame(DicMedia,index=[str(cluster_n)])
auxDFStd = pd.DataFrame(DicStd,index=[str(cluster_n)])
DFMedia = pd.concat([DFMedia, auxDFMedia])
DFStd = pd.concat([DFStd, auxDFStd])
return DFMedia, DFStd
##########################################################################################################
#Función para modificar los nombres de las columnas de los dataframes con las medias y las desviaciones#
##########################################################################################################
def DFClusterColumnasMediasNuevas(dataFrame):
listaColumnas = list(dataFrame.columns.values)
nuevasColumnas = []
for nombre in listaColumnas:
nombreNuevo = nombre.replace('TOT_','') + '_MED'
nuevasColumnas.append(nombreNuevo)
dataFrame.columns = nuevasColumnas
def DFClusterColumnasStdNuevas(dataFrame):
listaColumnas = list(dataFrame.columns.values)
nuevasColumnas = []
for nombre in listaColumnas:
nombreNuevo = nombre.replace('TOT_','') + '_STD'
nuevasColumnas.append(nombreNuevo)
dataFrame.columns = nuevasColumnas
############################################################################################################
#Función para concatenar los dataframes con las medias y las desviaciones y así tenerlo junto#
############################################################################################################
def DFClusterConcatMediasStd(dataframe1, dataframe2):
DFNuevo = pd.concat([dataframe1, dataframe2], axis=1)
return DFNuevo
###############################################################################################
#Función para almacenar todas las métricas producidas por los algoritmos en un único dataframe#
###############################################################################################
def DFValoresAlgoritmos(algoritmo, tiempo, nClusters, CH, SC, DFTodosDatos):
df1 = pd.DataFrame({'Algoritmo':[algoritmo],
'N.Clusters':[int(nClusters)],
'Tiempo':[tiempo],
'CH':[CH],
'SH':[SC]})
return df1
#######################################
#Función para pintar un scatter matrix#
#######################################
def PintarScatterMatrix(DFclusterSinOutliersAux, scatter_dir, nombreAlgoritmo, casoEstudio):
plt.figure()
variables = list(DFclusterSinOutliersAux)
variables.remove('cluster')
sns_plot = sns.pairplot(DFclusterSinOutliersAux, vars=variables, hue="cluster", palette='Paired',
plot_kws={"s": 25},
diag_kind="hist") # en hue indicamos que la columna 'cluster' define los colores
sns_plot.fig.subplots_adjust(wspace=.03, hspace=.03);
plt.savefig(scatter_dir + nombreAlgoritmo+ "Variacion-1-" + casoEstudio)
plt.close()
################################
#Función para pintar un heatmap#
################################
def PintarHeatmap(DFMediasNormal, heatmap_dir, nombreAlgoritmo, casoEstudio, clusters_restantes):
plt.figure()
# Configuramos el tamaño de la gráfica para que nos quepan todas las variables del eje X.
plt.subplots(figsize=(20, 10))
sns.heatmap(data=DFMediasNormal, annot=True, linewidths=0.5, yticklabels=clusters_restantes, cmap='YlGn')
plt.xticks(rotation=0)
plt.yticks(rotation=0)
plt.savefig(heatmap_dir + nombreAlgoritmo+ "Variacion-1-" + casoEstudio)
plt.close()
###############################################
#Función para pintar un heatmap con dendograma#
###############################################
def PintarHeatmapConDendograma(DFMediasNormal, dendograma_dir, nombreAlgoritmo, casoEstudio, clusters_restantes):
plt.figure()
linkage_array = hierarchy.ward(DFMediasNormal)
# Lo pongo en horizontal para compararlo con el generado por seaborn.
hierarchy.dendrogram(linkage_array, orientation='left')
sns.clustermap(DFMediasNormal, method='ward', col_cluster=False, figsize=(20, 10),
yticklabels=clusters_restantes, linewidths=0.5, cmap='YlGn')
plt.savefig(dendograma_dir + nombreAlgoritmo + casoEstudio)
plt.close()
#################################################
#Función para pintar gráfica del método de Elbow#
#################################################
def PintarGraficaElbow(numeroClusters, errorClusters, scatter_dir):
fig, ax = plt.subplots()
ax.plot(numeroClusters, errorClusters)
ax.set(xlabel='Número de Clusters', ylabel='Inertia de Cluster',
title='Comparativa K-means')
ax.grid()
plt.savefig(scatter_dir + "ComparativaKMeans.png")
plt.close()
def PintarDendograma(DFMediasNormal, dendograma_dir, nombreAlgoritmo, casoEstudio):
linkage_array = hierarchy.ward(DFMediasNormal)
plt.figure()
plt.clf()
hierarchy.dendrogram(linkage_array, orientation='left') # lo pongo en horizontal para compararlo con el generado por seaborn
plt.savefig(dendograma_dir + nombreAlgoritmo + "DendogramaSolo" + casoEstudio)
plt.close()
####################
#Programa principal#
####################
if __name__ == "__main__":
accidentes = pd.read_csv('accidentes_2013.csv')
#___________________________________________________________________________________
#DATASET: Accidentes ocurridos en la comunidad autónoma de Madrid. 14.000
# AccidentesMadrid
#__________________________________________________________________________________
'''
subset = accidentes.loc[
accidentes.COMUNIDAD_AUTONOMA.str.contains("Madrid")
]
'''
#___________________________________________________________________________________
#DATASET: Accidentes ocurridos en Andalucía. 13.944
# AccidentesAndalucia
#__________________________________________________________________________________
'''
subset = accidentes.loc[
accidentes.COMUNIDAD_AUTONOMA.str.contains("Andalucía")
]
'''
#___________________________________________________________________________________
#DATASET: Accidentes con conlisión entre vehículos para el mes de Diciembre. 4.047
# ColisionVehiculosDiciembre
#__________________________________________________________________________________
'''NO VOLVER HA HACER.
subset = accidentes.loc[
(accidentes.TIPO_ACCIDENTE.str.contains("Colisión de vehículos"))
&(accidentes['MES'] == 12)
]
'''
#_____________________________________________________________________________________
#DATASET: Accidentes con conlisión entre vehículos para el mes de Agosto.4.275
# ColisionVehiculosAgosto
#____________________________________________________________________________________
'''NO VOLVER HA HACER.
subset = accidentes.loc[
(accidentes.TIPO_ACCIDENTE.str.contains("Colisión de vehículos"))
&(accidentes['MES'] == 6)
]
'''
#_____________________________________________________________________________________
#DATASET: Accidentes en zonas urbanas y vías urbanas. 10.000
# ZonaUrbanaAtropellos
#_____________________________________________________________________________
'''
subset = accidentes.loc[
(accidentes.TIPO_ACCIDENTE.str.contains("Atropello"))
&(accidentes.ZONA_AGRUPADA.str.contains("VÍAS URBANAS"))
&(accidentes.ZONA.str.contains("ZONA URBANA"))
]
'''
#_____________________________________________________________________________
#DATASET: Accidentes con conlisiones entre vehículos en zonas urbanas y vías urbanas. 30.705
# ZonaUrbanaVehiculos
#_____________________________________________________________________________
'''
subset = accidentes.loc[
(accidentes.TIPO_ACCIDENTE.str.contains("Colisión de vehículos"))
&(accidentes.ZONA_AGRUPADA.str.contains("VÍAS URBANAS"))
&(accidentes.ZONA.str.contains("ZONA URBANA"))
]
'''
#_____________________________________________________________________________
#DATASET: Accidentes con conlisiones entre vehículos en un trazado con curva suave. 2.542
# TrazadoCurvaSuave.png
#_____________________________________________________________________________
'''
subset = accidentes.loc[
(accidentes.TIPO_ACCIDENTE.str.contains("Colisión de vehículos"))
&(accidentes.TRAZADO_NO_INTERSEC.str.contains("CURVA SUAVE"))
]
'''
#_____________________________________________________________________________
#DATASET: Accidentes con conlisiones entre vehículos en un trazado con curva fuerte. 1.143
# TrazadoCurvaFuerte.png
#_______________________________________________________________________________
subset = accidentes.loc[
(accidentes.TIPO_ACCIDENTE.str.contains("Colisión de vehículos"))
&(accidentes.TRAZADO_NO_INTERSEC.str.contains("CURVA FUERTE"))
]
#_____________________________________________________________________________
#DATASET: Accidentes con conlisiones entre vehículos en un trazado con curva fuerte. 20.000
# TrazadoRecta.png
#_______________________________________________________________________________
'''
subset = accidentes.loc[
(accidentes.TIPO_ACCIDENTE.str.contains("Colisión de vehículos"))
&(accidentes.TRAZADO_NO_INTERSEC.str.contains("RECTA"))
]
'''
#_____________________________________________________________________________
#seleccionar variables de interés para clustering
usadas = ['TOT_VICTIMAS', 'TOT_MUERTOS', 'TOT_HERIDOS_GRAVES', 'TOT_HERIDOS_LEVES', 'TOT_VEHICULOS_IMPLICADOS']
usadasOtra = ['TOT_HERIDOS_GRAVES','TOT_HERIDOS_LEVES', 'TOT_MUERTOS','TOT_VEHICULOS_IMPLICADOS', 'TOT_VICTIMAS']
X = subset[usadas]
print("Tamaño del conjunto de datos extraído: ",len(X), end='\n')
tamanio = len(X)
#Indicamos la semilla al conjunto actual de dataset.
X = X.sample(tamanio, random_state=123456789)
#Inicialización de los distintos algoritmos de la librería SKLEARN.
X_normal = preprocessing.normalize(X, norm='l2')
k_means = cluster.KMeans(init='k-means++', n_clusters=4, n_init=5)
k_means2 = cluster.KMeans(init='k-means++', n_clusters=5, n_init=5)
k_means3 = cluster.KMeans(init='k-means++', n_clusters=6, n_init=5)
k_means4 = cluster.KMeans(init='k-means++', n_clusters=7, n_init=5)
k_means5 = cluster.KMeans(init='k-means++', n_clusters=8, n_init=5)
k_means6 = cluster.KMeans(init='k-means++', n_clusters=9, n_init=5)
#_____________________________________________________________________________
mbkm = cluster.MiniBatchKMeans(init='k-means++',n_clusters=4, n_init=5,
max_no_improvement=10, verbose=0)
#_____________________________________________________________________________
ward = cluster.AgglomerativeClustering(n_clusters=20,linkage='ward')
#_____________________________________________________________________________
#dbscan = cluster.DBSCAN(eps=0.1,min_samples=10)
dbscan = cluster.DBSCAN(eps=0.5, min_samples=1000)
#_____________________________________________________________________________
#birch = cluster.Birch(threshold=0.1, n_clusters=4)
birch = cluster.Birch(threshold=0.1, n_clusters=3)
#_____________________________________________________________________________
#spectral = cluster.SpectralClustering(n_clusters=4)
spectral = cluster.SpectralClustering(n_clusters=9)
#_____________________________________________________________________________
#bandwidth = cluster.estimate_bandwidth(X_normal, quantile=0.2, n_samples=tamanio)
meanshift = cluster.MeanShift( bin_seeding=True)
#_____________________________________________________________________________
comparativaKMeans = False
'''
clustering_algorithms = (("K-means", k_means),
("K-means", k_means2),
("K-means", k_means3),
("K-means", k_means4),
("K-means", k_means5),
("K-means", k_means6)
)
'''
#_____________________________________________________________________________
clustering_algorithms = (("K-means", k_means6),
#("MiniBatchKMeans", mbkm),
#("Birch", birch),
#("Ward", ward),
("DBSCAN", dbscan),
#("MeanShift",meanshift),
("Spectral", spectral)
)
#_____________________________________________________________________________
casoEstudio = "TrazadoCurvaFuerte.png"
script_dir = os.getcwd()
heatmap_dir = os.path.join(script_dir, 'heatmap/')
dendograma_dir = os.path.join(script_dir, 'dendograma/')
scatter_dir = os.path.join(script_dir, 'scattermatrix/')
#Variables para almacenar datos de interés de los algoritmos para mostrarlos
#posteriormente.
errorClustersKmean = []
clusterKmean =[]
tiempoPorAlgoritmo = {}
DFTodosDatos = pd.DataFrame(columns=['Algoritmo', 'N.Clusters','Tiempo', 'CH', 'SH'])
#_____________________________________________________________________________
#Ejecución de los distintos algoritmos previamente inicializados.
print('_______________________________________________________')
for name, algorithm in clustering_algorithms:
#print('{:19s}'.format(name), end='')
t = time.time()
clusterPredict = algorithm.fit_predict(X_normal)
tiempo = time.time() - t
numeroClusterInicial = len(set(clusterPredict))
#Esto nos sirve para el método de Elbow
if (name is 'K-means') and (comparativaKMeans):
#print("Inertia: {:.5f}".format(algorithm.inertia_))
clusterKmean.append(numeroClusterInicial)
errorClustersKmean.append(algorithm.inertia_)
#Sirve para añadir una nueva columna llamada cluster que contiene los
# datos del clusterPrecit se convierte la asignación de clusters a DataFrame
columnaClusters = pd.DataFrame(clusterPredict,index=X.index,columns=['cluster'])
#se añade como columna a X
datasetConCluster = pd.concat([X, columnaClusters], axis=1)
#Filtro quitando los elementos (outliers) que caen en clusters muy pequeños en el jerárquico
minimoTama = 3
DFclusterSinOutliers = datasetConCluster[datasetConCluster.groupby('cluster').cluster.transform(len) > minimoTama]
numeroClusterPostFiltrado = len(set(DFclusterSinOutliers['cluster']))
clusters_restantes = list(set(DFclusterSinOutliers['cluster']))
#Valor perteneciente al número de cluster pre filtrado.
#print("& {:3.0f} ".format(numeroClusterInicial), end='')
#Valor perteneciente al tiempo en segundos que tarda el algoritmo.
#print("& {:6.2f} & ".format(tiempo), end='')
if (numeroClusterPostFiltrado>1) and (name is not 'Ward'):
metric_CH = metrics.calinski_harabaz_score(X_normal, clusterPredict)
metric_SC = metrics.silhouette_score(X_normal, clusterPredict, metric='euclidean',
sample_size=floor(0.1*len(X)), random_state=123456)
else:
metric_CH = 0
metric_SC = 0
#Valor perteneciente al CH.
#print("{:8.3f} & ".format(metric_CH), end='')
#Valor perteneciente al SH.
#print("{:.5f}".format(metric_SC), end='\n')
print("De los {:.0f} clusters hay {:.0f} con más de {:.0f} elementos. Del total de {:.0f} elementos, se seleccionan {:.0f}".format(numeroClusterInicial,numeroClusterPostFiltrado,minimoTama,len(X),len(DFclusterSinOutliers)))
DFclusterSinOutliersAux = DFclusterSinOutliers
DFMedias, DFStd = DFClusterConMedias(DFclusterSinOutliersAux)
DFMediasAux = DFMedias
df = DFValoresAlgoritmos(name, tiempo, numeroClusterInicial, metric_CH, metric_SC, DFTodosDatos)
DFTodosDatos = pd.concat([DFTodosDatos,df])
DFMediasNormal = preprocessing.normalize(DFMedias, norm='l2')
DFMediasNormal = pd.DataFrame(DFMediasNormal, columns=usadasOtra)
'''
if (name != 'Ward'):
PintarScatterMatrix(DFclusterSinOutliersAux, scatter_dir, name, casoEstudio)
'''
'''
if ((casoEstudio == 'TrazadoCurvaSuave.png' or casoEstudio == 'TrazadoCurvaFuerte.png' or casoEstudio == 'TrazadoRecta.png'
or casoEstudio == 'ZonaUrbanaVehiculos.png' or casoEstudio == 'AccidentesMadrid.png' or casoEstudio == 'AccidentesAndalucia.png'
or casoEstudio == 'ZonaUrbanaVehiculos.png' or casoEstudio == 'ZonaUrbanaAtropellos.png')
and name != 'Ward'):
PintarHeatmap(DFMediasNormal, heatmap_dir, name, casoEstudio, clusters_restantes)
'''
if (((casoEstudio == 'ZonaUrbanaAtropellos.png') or (casoEstudio == 'ZonaUrbanaVehiculos.png')) and (name == 'Ward')):
PintarHeatmapConDendograma(DFMediasNormal, dendograma_dir, name, casoEstudio, clusters_restantes)
PintarDendograma(DFMediasNormal, dendograma_dir, name, casoEstudio)
print(DFMedias.to_latex())
print(DFTodosDatos.to_latex(index=False))
if (comparativaKMeans):
PintarGraficaElbow(clusterKmean, errorClustersKmean, scatter_dir)