| 常用聚类方法 | |
| 类别 | 包括主要算法 |
| 划分（分裂）方法 | K-Means算法（K-平均）、K-MEDOIDS算法（K-中心点）、CLARANS算法（基于选择的算法） |
| 层次分析方法 | BIRCH算法（平衡迭代规约和聚类）、CURE算法（代表点聚类）、CHAMELEON算法（动态模型） |
| 基于密度的方法 | DBSCAN算法（基于高密度连接区域）、DENCLUE（密度分布函数）、OPTICS算法（对象排序识别） |
| 基于网格的方法 | STING算法（统计信息网络）、CLIOUE算法（聚类高维空间）、WAVE-CLUSTER算法（小波变换） |
| 基于模型的方法 | 统计学方法、神经网络方法 |
| 常用聚类分析算法 | |
| 算法名称 | 算法描述 |
| K-Means | K-均值聚类也称为快速聚类法，在最小化误差函数的基础上将数据划分为预定的类数K。该算法原理简单并便于处理大量数据 |
| K-中心点 | K-均值算法对孤立点的敏感性，K-中心点算法不采用簇中对象的平均值作为簇中心，而选用簇中离平均值最近的对象作为簇中心 |
| 系统聚类 | 系统聚类也称为多层次聚类，分类的单位由高到低呈树形结构，且所处的位置越低，其包含的对象越少，但这些对象间的共同特征越多。该聚类方法只适用在小数据量的时候使用，数据量大的时候速度会非常慢 |
数据+ 代码来源：Python数据分析与挖掘实战
数据：根据这些数据将客户分类成不同群体，并评价这些客户群的价值
R: 最近依次消费时间间隔；F: 消费频率；M: 消费总金额
部分数据如下：
代码：
#-*- coding: utf-8 -*-
import pandas as pd
from sklearn.cluster import KMeans
inputfile = '../data/consumption_data.xls'
outputfile = './data_type.xls'
k =3 #聚类的级别
iteration = 500 #剧烈最大循环次数
data = pd.read_excel(inputfile, index_col='Id')
data_zs = 1.0 *(data-data.mean())/data.std() #数据标准化
model = KMeans(n_clusters=k, n_jobs=4, max_iter=iteration) #分为k类，并发数4
model.fit(data_zs) #开始聚类
#简单单音结果
r1 = pd.Series(model.labels_).value_counts() #统计各个类别的数目
r2 = pd.DataFrame(model.cluster_centers_) #找出聚类中心
r = pd.concat([r2, r1], axis=1) #横向连接（0是横向），得到聚类中心对应的类别下的数目
r.columns = list(data.columns) + [u'类别数目'] #重命名表头
#print(r)
#详细输出原始数据及其类别
r = pd.concat([data, pd.Series(model.labels_, index=data.index)], axis=1) #详细输出每个样本对应的类别
r.columns = list(data.columns) + [u'聚类类别'] #重命名表头
r.to_excel(outputfile) #保存结果输出结果部分如下：
