全文链接：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。（点击文末“阅读原文”获取完整代码数据）。
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。
相关视频
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()
点击标题查阅往期内容
左右滑动查看更多
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')
本文中分析的数据、代码分享到会员群，扫描下面二维码即可加群！
点击文末“阅读原文”
获取全文完整资料。
本文选自《Python用KShape对时间序列进行聚类和肘方法确定最优聚类数k可视化》。
点击标题查阅往期内容
