解决使用pandas聚类时的小坑
时间：2022-03-28 08:41:14|栏目：Python代码|点击： 次
问题背景：
之前运行测试好好的程序，忽然出现了报错，还是merge时候的类型错误，这个bug有点蹊跷。
问题分析：
代码：进行聚类之后计算平均值与方差
tmp_df = df[['object1', 'float']].groupby(['object1']).head(20).groupby(['object1'])['float'].agg(['mean', 'sum']).reset_index()
这个输出的就是原本的数据类型：一个object，一个float64
tmp_df = http_df[['object1', 'object2', 'float']].groupby(['object1', 'object2']).head(20).groupby(['object1', 'object2'])['float'].agg(['mean']).reset_index()
这个输出就会修改object为float，
差别只在于一个是使用一个特征进行聚类，一个是使用两个特征进行聚类
问题原因（个人猜测，仅供参考）：
pandas进行聚类的时候，就算之前已经定好各个列的类型，如果里边没有数据的时候，使用一列进行聚类不会修改列的类型，但是如果同时使用两列进行聚类就会修改列的类型。
所以才会出现后面进行merge时候，类型不同报错
有数据输入的时候这个报错不会发生，没有数据的时候就会发生。
补充：python数据处理--按照数据差值大小进行聚类（归类）
近来在做数据处理的工作中，遇到了数据分类的问题，利用python的各种方便库，写了这么个以数据差值大小进行归类的方法。
应用场景：
有一批数据集，如list=[1,2,3,4,9,10,11,20,20,1,1.1,2.1,100]，将其按照数值大小进行归类，即数值比较接近的归为一类，故需要先设置一个阈值，以进行划分。
具体实现如下：
其中输入参数Data_set为输入的数据集，可以为列表、数组、Series、DataFrame。threshold为数据大小分类的门限值。
输出class_k为数据归类列表集合，index_list为数据归类对应的索引集合。
def threshold_cluster(Data_set,threshold):
#统一格式化数据为一维数组
stand_array=np.asarray(Data_set).ravel('C')
stand_Data=Series(stand_array)
index_list,class_k=[],[]
while stand_Data.any():
if len(stand_Data)==1:
index_list.append(list(stand_Data.index))
class_k.append(list(stand_Data))
stand_Data=stand_Data.drop(stand_Data.index)
else:
class_data_index=stand_Data.index[0]
class_data=stand_Data[class_data_index]
stand_Data=stand_Data.drop(class_data_index)
if (abs(stand_Data-class_data)<=threshold).any():
args_data=stand_Data[abs(stand_Data-class_data)<=threshold]
stand_Data=stand_Data.drop(args_data.index)
index_list.append([class_data_index]+list(args_data.index))
class_k.append([class_data]+list(args_data))
else:
index_list.append([class_data_index])
class_k.append([class_data])
return index_list,class_k
测试如下：
import numpy as np from pandas import Series,DataFrame Data_set=[1,1.1,0.9,-5,2,100,99,-4.2,10000,0] index_list,class_k=threshold_cluster(Data_set,5) index_list Out[10]: [[0, 1, 2, 4, 9], [3, 7], [5, 6], [8]] class_k Out[11]: [[1.0, 1.1, 0.9, 2.0, 0.0], [-5.0, -4.2], [100.0, 99.0], [10000.0]]
