Preparazione dei dati per l’analisi dei cluster

Analisi di cluster in Python

Shaumik Daityari

Business Analyst

Perché preparare i dati per il clustering?

Variabili con unità non confrontabili (dimensioni in cm, prezzo in $)
Stessa unità ma scale e varianze molto diverse (spese per cereali, viaggi)
Dati grezzi possono introdurre bias nel clustering
I cluster possono dipendere troppo da una variabile
Soluzione: normalizzare le singole variabili

Normalizzazione dei dati

Normalizzazione: riscalare i dati a una deviazione standard pari a 1

x_new = x / std_dev(x)

from scipy.cluster.vq import whiten

data = [5, 1, 3, 3, 2, 3, 3, 8, 1, 2, 2, 3, 5]

scaled_data = whiten(data)
print(scaled_data)

[2.73, 0.55, 1.64, 1.64, 1.09, 1.64, 1.64, 4.36, 0.55, 1.09, 1.09, 1.64, 2.73]

Illustrazione: normalizzazione dei dati

# Import plotting library
from matplotlib import pyplot as plt

# Initialize original, scaled data
plt.plot(data, 
         label="original")
plt.plot(scaled_data, 
         label="scaled")

# Show legend and display plot
plt.legend()
plt.show()

In arrivo: qualche esercizio pratico

Analisi di cluster in Python