-
Notifications
You must be signed in to change notification settings - Fork 0
/
aula05.py
161 lines (100 loc) · 3.41 KB
/
aula05.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
# -*- coding: utf-8 -*-
"""filmes.ipynb
Automatically generated by Colaboratory.
Original file is located at
https://colab.research.google.com/drive/1gLVEx2V7iqifEBUHxWYGnJ6ITaZku6zB
"""
!pip install seaborn==0.9.0
import pandas as pd
uri_filmes = 'https://raw.githubusercontent.com/oyurimatheus/clusterirng/master/movies/movies.csv'
filmes = pd.read_csv(uri_filmes)
filmes.columns = ['filme_id', 'titulo', 'generos']
filmes.head()
generos = filmes.generos.str.get_dummies()
dados_dos_filmes = pd.concat([filmes, generos], axis=1)
dados_dos_filmes.head()
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
generos_escalados = scaler.fit_transform(generos)
generos_escalados
from sklearn.cluster import KMeans
modelo = KMeans(n_clusters=3)
modelo.fit(generos_escalados)
print(f'Grupos {modelo.labels_}')
print(generos.columns)
print(modelo.cluster_centers_)
grupos = pd.DataFrame(modelo.cluster_centers_,
columns=generos.columns)
grupos
grupos.transpose().plot.bar(subplots=True,
figsize=(25, 25),
sharex=False)
grupo = 0
filtro = modelo.labels_ == grupo
dados_dos_filmes[filtro].sample(10)
from sklearn.manifold import TSNE
tsne = TSNE()
visualizacao = tsne.fit_transform(generos_escalados)
visualizacao
import seaborn as sns
sns.set(rc={'figure.figsize': (13, 13)})
sns.scatterplot(x=visualizacao[:, 0],
y=visualizacao[:, 1],
hue=modelo.labels_,
palette=sns.color_palette('Set1', 3))
modelo = KMeans(n_clusters=20)
modelo.fit(generos_escalados)
grupos = pd.DataFrame(modelo.cluster_centers_,
columns=generos.columns)
grupos.transpose().plot.bar(subplots=True,
figsize=(25, 50),
sharex=False,
rot=0)
grupo = 2
filtro = modelo.labels_ == grupo
dados_dos_filmes[filtro].sample(10)
def kmeans(numero_de_clusters, generos):
modelo = KMeans(n_clusters=numero_de_clusters)
modelo.fit(generos)
return [numero_de_clusters, modelo.inertia_]
kmeans(20, generos_escalados)
kmeans(3, generos_escalados)
resultado = [kmeans(numero_de_grupos, generos_escalados) for numero_de_grupos in range(1, 41)]
resultado
resultado = pd.DataFrame(resultado,
columns=['grupos', 'inertia'])
resultado
resultado.inertia.plot(xticks=resultado.grupos)
modelo = KMeans(n_clusters=17)
modelo.fit(generos_escalados)
grupos = pd.DataFrame(modelo.cluster_centers_,
columns=generos.columns)
grupos.transpose().plot.bar(subplots=True,
figsize=(25, 50),
sharex=False,
rot=0)
grupo = 16
filtro = modelo.labels_ == grupo
dados_dos_filmes[filtro].sample(10)
from sklearn.cluster import AgglomerativeClustering
modelo = AgglomerativeClustering(n_clusters=17)
grupos = modelo.fit_predict(generos_escalados)
grupos
tsne = TSNE()
visualizacao = tsne.fit_transform(generos_escalados)
visualizacao
sns.scatterplot(x=visualizacao[:, 0],
y=visualizacao[:, 1],
hue=grupos)
from scipy.cluster.hierarchy import dendrogram, linkage
modelo = KMeans(n_clusters=17)
modelo.fit(generos_escalados)
grupos = pd.DataFrame(modelo.cluster_centers_,
columns=generos.columns)
grupos.transpose().plot.bar(subplots=True,
figsize=(25, 50),
sharex=False,
rot=0)
matriz_de_distancia = linkage(grupos)
matriz_de_distancia
dendrograma = dendrogram(matriz_de_distancia)