第一步：对数据集进行初步统计分析
# 检查数据的维度
dim(iris)
## [1] 150 5
# 显示数据集中的列名
names(iris)
## [1] "Sepal.Length" "Sepal.Width" "Petal.Length" "Petal.Width"
## [5] "Species"
# 显示数据集的内部结构
str(iris)
## 'data.frame': 150 obs. of 5 variables:
## $ Sepal.Length: num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
## $ Sepal.Width : num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
## $ Petal.Length: num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
## $ Petal.Width : num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
## $ Species : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...
# 显示数据集的属性
attributes(iris)
## $names
## [1] "Sepal.Length" "Sepal.Width" "Petal.Length" "Petal.Width"
## [5] "Species"
##
## $row.names
## [1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
## [18] 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
## [35] 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51
## [52] 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68
## [69] 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85
## [86] 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102
## [103] 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119
## [120] 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136
## [137] 137 138 139 140 141 142 143 144 145 146 147 148 149 150
##
## $class
## [1] "data.frame"
# 查看数据集的前五项数据情况
iris[1:5,]
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
# 查看数据集中属性Sepal.Length前10行数据
iris[1:10, "Sepal.Length"]
## [1] 5.1 4.9 4.7 4.6 5.0 5.4 4.6 5.0 4.4 4.9
# 同上
iris$Sepal.Length[1:10]
## [1] 5.1 4.9 4.7 4.6 5.0 5.4 4.6 5.0 4.4 4.9
# 显示数据集中每个变量的分布情况
summary(iris)
## Sepal.Length Sepal.Width Petal.Length Petal.Width
## Min. :4.300 Min. :2.000 Min. :1.000 Min. :0.100
## 1st Qu.:5.100 1st Qu.:2.800 1st Qu.:1.600 1st Qu.:0.300
## Median :5.800 Median :3.000 Median :4.350 Median :1.300
## Mean :5.843 Mean :3.057 Mean :3.758 Mean :1.199
## 3rd Qu.:6.400 3rd Qu.:3.300 3rd Qu.:5.100 3rd Qu.:1.800
## Max. :7.900 Max. :4.400 Max. :6.900 Max. :2.500
## Species
## setosa :50
## versicolor:50
## virginica :50
##
##
##
# 显示iris数据集列Species中各个值出现频次
table(iris$Species)
##
## setosa versicolor virginica
## 50 50 50
# 根据列Species画出饼图
pie(table(iris$Species))
# 算出列Sepal.Length的所有值的方差
var(iris$Sepal.Length)
## [1] 0.6856935
# 算出列iris$Sepal.Length和iris$Petal.Length的协方差
cov(iris$Sepal.Length, iris$Petal.Length)
## [1] 1.274315
# 算出列iris$Sepal.Length和iris$Petal.Length的相关系数， 从结果看这两个值是强相关。
cor(iris$Sepal.Length, iris$Petal.Length)
## [1] 0.8717538
# 画出列iris$Sepal.Length分布柱状图
hist(iris$Sepal.Length)
# 画出列iris$Sepal.Length的密度函数图
plot(density(iris$Sepal.Length))
# 画出列iris$Sepal.Length和iris$Sepal.Width的散点图
plot(iris$Sepal.Length, iris$Sepal.Width)
# 绘出矩阵各列的散布图
plot(iris)
# or
pairs(iris)
第二步：使用knn包进行Kmean聚类分析
# 将数据集进行备份，将列newiris$Species置为空，将此数据集作为测试数据集
newiris <- iris
newiris$Species <- NULL
#在数据集newiris上运行Kmean聚类分析，将聚类结果保存在kc中。在kmean函数中，将需要生成聚类数设置为3
(kc <- kmeans(newiris, 3))
## K-means clustering with 3 clusters of sizes 38, 50, 62
##
## Cluster means:
## Sepal.Length Sepal.Width Petal.Length Petal.Width
## 1 6.850000 3.073684 5.742105 2.071053
## 2 5.006000 3.428000 1.462000 0.246000
## 3 5.901613 2.748387 4.393548 1.433871
##
## Clustering vector:
## [1] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## [36] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## [71] 3 3 3 3 3 3 3 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 1 3 1 1 1
## [106] 1 3 1 1 1 1 1 1 3 3 1 1 1 1 3 1 3 1 3 1 1 3 3 1 1 1 1 1 3 1 1 1 1 3 1
## [141] 1 1 3 1 1 1 3 1 1 3
##
## Within cluster sum of squares by cluster:
## [1] 23.87947 15.15100 39.82097
## (between_SS / total_SS = 88.4 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss"
## [5] "tot.withinss" "betweenss" "size" "iter"
## [9] "ifault"
# K-means clustering with 3 clusters of sizes 38, 50, 62:K-means算法产生了3个聚类，大小分别为38,50,62.
# Cluster means: 每个聚类中各个列值生成的最终平均值
# Clustering vector: 每行记录所属的聚类（2代表属于第二个聚类，1代表属于第一个聚类，3代表属于第三个聚类）
# Within cluster sum of squares by cluster: 每个聚类内部的距离平方和
# [1] 15.15100 39.82097 23.87947
# (between_SS / total_SS = 88.4 %)
# 组间的距离平方和占了整体距离平方和的的88.4%，也就是说各个聚类间的距离做到了最大
# Available components: 运行kmeans函数返回的对象所包含的各个组成部分
#
# # (
# # "cluster"是一个整数向量，用于表示记录所属的聚类
# # "centers"是一个矩阵，表示每聚类中各个变量的中心点
# # "totss"表示所生成聚类的总体距离平方和
# # "withinss"表示各个聚类组内的距离平方和
# # "tot.withinss"表示聚类组内的距离平方和总量
# # "betweenss"表示聚类组间的聚类平方和总量
# # "size"表示每个聚类组中成员的数量
# # )
#
# 创建一个连续表,在三个聚类中分别统计各种花出现的次数
table(iris$Species, kc$cluster)
##
## 1 2 3
## setosa 0 50 0
## versicolor 2 0 48
## virginica 36 0 14
# 根据最后的聚类结果画出散点图，数据为结果集中的列"Sepal.Length"和"Sepal.Width"，颜色为用1，2，3表示的缺省颜色
plot(newiris[c("Sepal.Length", "Sepal.Width")], col = kc$cluster)
# 在图上标出每个聚类的中心点
points(kc$centers[,c("Sepal.Length", "Sepal.Width")], col = 1:3, pch = 8, cex=2)
