原文链接:http://tecdat.cn/?p=27078
时序数据的聚类方法
该算法按照以下流程执行。
使用基于互相关测量的距离标度(基于形状的距离:SBD)
根据 1 计算时间序列聚类的质心。(一种新的基于质心的聚类算法,可保留时间序列的形状)
划分成每个簇的方法和一般的kmeans一样,但是在计算距离尺度和重心的时候使用上面的1和2。
import pandas as pd
# 读取数据帧,将其转化为时间序列数组,并将其存储在一个列表中
tata = \[\]
for i, df in enmee(dfs):
# 检查每个时间序列数据的最大长度。
for ts in tsda:
if len(s) > ln_a:
lenmx = len(ts)
# 给出最后一个数据,以调整时间序列数据的长度
for i, ts in enumerate(tsdata):
dta\[i\] = ts + \[ts\[-1\]\] * n_dd
# 转换为矢量
stack_list = \[\]
for j in range(len(timeseries_dataset)):
stack_list.append(data)
# 转换为一维数组
trasfome\_daa = np.stack(ack\_ist, axis=0)
return trafoed_data
数据集准备
# 文件列表
flnes= soted(go.ob('mpldat/smeda*.csv'))
# 从文件中加载数据帧并将其存储在一个列表中。
for ienme in fiemes:
df = pd.read\_csv(filnme, indx\_cl=one,hadr=0)
flt.append(df)
聚类结果的可视化
# 为了计算交叉关系,需要对它们进行归一化处理。
# TimeSeriesScalerMeanVariance将是对数据进行规范化的类。
sac\_da = TimeeiesalerMVarne(mu=0.0, std=1.0).fit\_trnform(tranfome_data)
# KShape类的实例化。
ks = KShpe(\_clusrs=2, n\_nit=10, vrboe=True, rano_stte=sed)
yprd = ks.ft\_reitsak\_ata)
# 聚类和可视化
plt.tight_layout()
plt.show()
用肘法计算簇数
什么是肘法...
计算从每个点到簇中心的距离的平方和,指定为簇内误差平方和 (SSE)。
它是一种更改簇数,绘制每个 SSE 值,并将像“肘”一样弯曲的点设置为最佳簇数的方法。
#计算到1~10个群组
for i in range(1,11):
#进行聚类计算。
ks.fit(sacdta)
#KS.fit给出KS.inrta_
disorons.append(ks.netia_)
plt.plot(range(1,11), disorins, marker='o')
最受欢迎的见解
3.R语言对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归
5.Python Monte Carlo K-Means聚类实战
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。