Day17-聚类分析

今天我们来一个简单的实战，主要是通过运用pandas库做数据的预处理，然后通过调用sklearn库里面的K-means方法对数据做一个聚类处理，目的是通过聚类分析，将不同位置的球员作一个简单的分组。看看你的明星属于第几档。

K-means：k-means算法是一种聚类算法，所谓聚类，即根据相似性原则，将具有较高相似度的数据对象划分至同一类簇，将具有较高相异度的数据对象划分至不同类簇。聚类与分类最大的区别在于，聚类过程为无监督过程，即待处理数据对象没有任何先验知识，而分类过程为有监督过程，即存在有先验知识的训练数据集。

一、数据预处理

大家先打开复制的数据，要注意到三个问题：第一个是球员名字带斜杠，可能是复制的时候格式的问题；第二个是数据有空值就是所说的NA值；第三是球员转会后名字会出现二次以上。

第一步：提取球员名称：

第二步，填充空值，利用fillna，函数形式：fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs)

nba.fillna(value=0,inplace=True)

第三步，球员合并，仔细观察数据可以发现数据中的球队的TOT字段合并了有个转会球员的数据，我们可以把这个数据筛选出来，我利用了一个小技巧，除重，保留第一项。

drop_duplicates 函数，根据Player除重，然后保留第一项。

因为我们分析球员本身，没有涉及到球队的操作，所以可以取球员的总数据分

nba.drop_duplicates(subset='Player',keep='first',inplace=True)

我们先分析PG的情况，确立两个分析字段我这边就选择了场均得分，和助攻失误比来对PG进行分组，如果大家有更好的指标来分组的话也可以，不过目前大家还是尝试用两个维度来进行分析，多维度的我还没有学习到，以后有机会在给大家讲解。

画出的图片是这样：联盟PG根据这两个指标大致的分类是这样。

三、实现算法

我说一下k-means算法的原理，大致就是先随机确定K个类簇，然后计算中心与各个数据点的距离的平均值，然后不断的调整中心位置，最后让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。基本的算法实现会比较复杂，我们这边直接可以使用sklearn中集成好的KMeans方法去分析，可快速的对数据进行简单的聚类分析：

最后大家可以打开保存的文件，就可以查询到球员的类别名称，可以对应可视化图片观察数，我这边分析出来紫色的球员是第一个阶梯，居然是哈登，位置是PG，不是SG，是不是因为他持球时间过长，被定义未PG呢。

相信大家可以利用这个模型举一反三了，分析不同位置的球员进行分析，不过要注意的是，确定这个分析结果是否有意义，跟你选择分析的维度有很大关系，例如PG要看的主要是助攻和失误，那么C就是篮板和盖帽了。大家尝试一下吧，有问题或者更好的建议可以留言给我，我也是刚学，只是把学习的过程分享给大家。