1. 제목 : 학번 +이름

2. 내용 : 주제 설명하기

import pandas as pd

import matplotlib.pyplot as plt

%matplotlib inline

# ML 알고리즘 중 k-평균 군집화 알고리즘을 사용하기 위한 모듈

from sklearn.cluster import KMeans

# 원본 데이터에서 학습 데이터와 테스트 데이터를 분리하기 위한 모듈

from sklearn.model_selection import train_test_split

# 클러스터 모델 성능 평가를 위해 필요합니다. 즉 실루엣 분석 metric 값을 구하기 위한 모듈

from sklearn.metrics import silhouette_samples, silhouette_score

# seaborn으로 그래프를 표현하기 위해 seaborn의 라이브러리를 불러옵니다.

import seaborn as sns

# 한글폰트 사용을 위해 matplotlib의 pyplot을 plt라는 별칭으로 불러옵니다.

import matplotlib.pyplot as plt

# plt.rc("font", family="AppleGothic")

# plt.rc("font", family="Malgun Gothic")

plt.rc("font", family="NanumGothic")

# 축에 마이너스 값을 표현하기 위해 필요합니다.

plt.rc("axes", unicode_minus=False)

df.head()

print(pred)

center

print(center[0,0])

cluster_df['cluster'] = pred

cluster_df.head()

lon = df['Longitude']

plt.title("Latitude & Longitude")

plt.xlabel("Longitude")

plt.ylabel("Latitude")

plt.scatter(lon, lat, c='blue', s=10, label="location")

plt.scatter(center[0,1], center[0,0], marker="*", c='red', s=100, label="centroids")

plt.scatter(center[1,1], center[1,0], marker="*", c='red', s=100, label="centroids")

plt.scatter(center[2,1], center[2,0], marker="*", c='red', s=100, label="centroids")

plt.scatter(center[3,1], center[3,0], marker="*", c='red', s=100, label="centroids")

plt.legend(loc="best")

plt.grid()

plt.show()

sns.scatterplot(data=cluster_df, x='Longitude', y='Latitude', hue='cluster')

plt.show()

### 여러개의 클러스터링 갯수를 List로 입력 받아 각각의 실루엣 계수를 면적으로 시각화한 함수 작성

def visualize_silhouette(cluster_lists, X_features):

# 입력값으로 클러스터링 갯수들을 리스트로 받아서, 각 갯수별로 클러스터링을 적용하고 실루엣 개수를 구함

n_cols = len(cluster_lists)

# plt.subplots()으로 리스트에 기재된 클러스터링 수만큼의 sub figures를 가지는 axs 생성

fig, axs = plt.subplots(figsize=(4*n_cols, 4), nrows=1, ncols=n_cols)

# 리스트에 기재된 클러스터링 갯수들을 차례로 iteration 수행하면서 실루엣 개수 시각화

for ind, n_cluster in enumerate(cluster_lists):

# KMeans 클러스터링 수행하고, 실루엣 스코어와 개별 데이터의 실루엣 값 계산.

clusterer = KMeans(n_clusters = n_cluster, max_iter=500, random_state=0)

cluster_labels = clusterer.fit_predict(X_features)

sil_avg = silhouette_score(X_features, cluster_labels)

sil_values = silhouette_samples(X_features, cluster_labels)

y_lower = 10

axs[ind].set_title('Number of Cluster : '+ str(n_cluster)+'\n' \

'Silhouette Score :' + str(round(sil_avg,3)) )

axs[ind].set_xlabel("The silhouette coefficient values")

axs[ind].set_ylabel("Cluster label")

axs[ind].set_xlim([-0.1, 1])

axs[ind].set_ylim([0, len(X_features) + (n_cluster + 1) * 10])

axs[ind].set_yticks([]) # Clear the yaxis labels / ticks

axs[ind].set_xticks([0, 0.2, 0.4, 0.6, 0.8, 1])

# 클러스터링 갯수별로 fill_betweenx( )형태의 막대 그래프 표현.

for i in range(n_cluster):

ith_cluster_sil_values = sil_values[cluster_labels==i]

ith_cluster_sil_values.sort()

size_cluster_i = ith_cluster_sil_values.shape[0]

y_upper = y_lower + size_cluster_i

color = cm.nipy_spectral(float(i) / n_cluster)

axs[ind].fill_betweenx(np.arange(y_lower, y_upper), 0, ith_cluster_sil_values, \

facecolor=color, edgecolor=color, alpha=0.7)

axs[ind].text(-0.05, y_lower + 0.5 * size_cluster_i, str(i))

y_lower = y_upper + 10

axs[ind].axvline(x=sil_avg, color="red", linestyle="--")

plt.show()

cluster_df.info()

long = cluster_df["Longitude"].mean()

lat, long

m = folium.Map([lat, long], tiles="OpenStreetMap", zoom_start=11)

for i in cluster_df.index:

sub_lat = cluster_df.loc[i, "Latitude"]

sub_long = cluster_df.loc[i, "Longitude"]

title = cluster_df.loc[i, "cluster"]

icon_color = "blue"

if cluster_df.loc[i, "cluster"] == 1:

icon_color = "purple"

elif cluster_df.loc[i, "cluster"] == 2:

icon_color = "green"

elif cluster_df.loc[i, "cluster"] == 3:

icon_color = "orange"

folium.CircleMarker([sub_lat,sub_long ], radius=3, color=icon_color, popup=f'<i>{title}</i>', tooltip=title).add_to(m)

m.save('index1.html')

m

for i in cluster_df.index:

sub_lat = cluster_df.loc[i, "Latitude"]

sub_long = cluster_df.loc[i, "Longitude"]

title = cluster_df.loc[i, "cluster"]

icon_color = "blue"

if cluster_df.loc[i, "cluster"] == 1:

icon_color = "purple"

elif cluster_df.loc[i, "cluster"] == 2:

icon_color = "green"

elif cluster_df.loc[i, "cluster"] == 3:

icon_color = "orange"

folium.CircleMarker([sub_lat,sub_long ], radius=3, color=icon_color, popup=f'<i>{title}</i>', tooltip=title).add_to(m)

for i in range(len(center)):

center_lat = center[i, 0]

center_long = center[i, 1]

folium.CircleMarker([center_lat,center_long ], color='black', popup='centroids', tooltip='centroids').add_to(m)

folium.CircleMarker([center_lat,center_long ], radius=150, color='red', fill='red', popup='KMeans Circle', tooltip='KMeans Circle').add_to(m)

m.save('index2.html')

m

import pandas as pd

import matplotlib.pyplot as plt

%matplotlib inline

# ML 알고리즘 중 k-평균 군집화 알고리즘을 사용하기 위한 모듈

from sklearn.cluster import KMeans

# 원본 데이터에서 학습 데이터와 테스트 데이터를 분리하기 위한 모듈

from sklearn.model_selection import train_test_split

# 클러스터 모델 성능 평가를 위해 필요합니다. 즉 실루엣 분석 metric 값을 구하기 위한 모듈

from sklearn.metrics import silhouette_samples, silhouette_score

# seaborn으로 그래프를 표현하기 위해 seaborn의 라이브러리를 불러옵니다.

import seaborn as sns

# 한글폰트 사용을 위해 matplotlib의 pyplot을 plt라는 별칭으로 불러옵니다.

import matplotlib.pyplot as plt

# plt.rc("font", family="AppleGothic")

# plt.rc("font", family="Malgun Gothic")

plt.rc("font", family="NanumGothic")

# 축에 마이너스 값을 표현하기 위해 필요합니다.

plt.rc("axes", unicode_minus=False)

df.head()

!pip install geopy

# import 라이브러리

from geopy.geocoders import Nominatim

df["새주소"] = df["주소"].str.split("(", expand=True)[0]

df.head(3)

try:

geo_local = Nominatim(user_agent='South Korea') #지역설정

location = geo_local.geocode(address)

geo = [location.latitude, location.longitude]

return geo

except:

return [0,0]

df.loc[id,'Latitude'] = geocoding(addr)[0]

df.loc[id,'Longitude'] = geocoding(addr)[1]

df.head()

df.head(3)

import pandas as pd

import matplotlib.pyplot as plt

%matplotlib inline

# ML 알고리즘 중 k-평균 군집화 알고리즘을 사용하기 위한 모듈

from sklearn.cluster import KMeans

# 원본 데이터에서 학습 데이터와 테스트 데이터를 분리하기 위한 모듈

from sklearn.model_selection import train_test_split

# 클러스터 모델 성능 평가를 위해 필요합니다. 즉 실루엣 분석 metric 값을 구하기 위한 모듈

from sklearn.metrics import silhouette_samples, silhouette_score

# seaborn으로 그래프를 표현하기 위해 seaborn의 라이브러리를 불러옵니다.

import seaborn as sns

# 한글폰트 사용을 위해 matplotlib의 pyplot을 plt라는 별칭으로 불러옵니다.

import matplotlib.pyplot as plt

# plt.rc("font", family="AppleGothic")

# plt.rc("font", family="Malgun Gothic")

plt.rc("font", family="NanumGothic")

# 축에 마이너스 값을 표현하기 위해 필요합니다.

plt.rc("axes", unicode_minus=False)

df = pd.read_csv("GlobalLandTemperaturesByCity.csv")

df.head(3)

df.isnull().sum()

df["위도"] = df["Latitude"].str.replace("N", "+")

df["위도"] = df["위도"].str.replace("S", "-")

df.head()

df["위도"].unique()

m1 = df["위도"].str.endswith('-')

m2 = df["위도"].str[:-1].astype(float)

df["위도"] = np.where(m1, -m2, m2)

df["위도"].unique()

df["경도"] = df["Longitude"].str.replace("E", "+")

df["경도"] = df["경도"].str.replace("W", "-")

df.head()

df["경도"].unique()

m1 = df["경도"].str.endswith('-')

m2 = df["경도"].str[:-1].astype(float)

df["경도"] = np.where(m1, -m2, m2)

df["경도"].unique()

df.head()

pip install notebook

pip install jupyterlab

jupyter lab

▶방법 2 : 아나콘다 + Jupytor

▶방법 3 : 코랩