前面讲到的线性回归和逻辑回归的数据样本都是确定了Y值的，通俗一点来讲就是:从给定的训练数据集中学习出一个函数（模型参数），当新的数据到来时，可以根据这个函数预测结果。
所以线性回归和逻辑回归都是监督学习
今天要讲的聚类分析是无监督学习，无监督学习就是：输入数据没有被标记，也没有确定的结果。样本数据类别未知，需要根据样本间的相似性对样本集进行分类（聚类，clustering）试图使类内差距最小化，类间差距最大化。
具体区别可以参考：
CSDN-专业IT技术社区-登录blog.csdn.net
下面分享一个聚类分析模型对摩拜单车用户进行分类的案例
数据链接：
https://pan.baidu.com/s/1WGJY-MEE13yj4MEpGJAryApan.baidu.com
提取码:9jpj
问题：基于所给数据，利用Python数据进行聚类分析，对摩拜单车的使用者进行分群。
Step1.数据预处理
1.删除对业务分析没有实际作用的变量
2.删除空值
3.删除与实际情况不符的异常值，例如过大的年龄
4.将类别型变量转换成数字型变量
1.unique()查询有多少个起始站，发现有许多个，如果是少数说不定有业务意义，如果有很多个的话就删除，另外‘Unnamed:0’(可能是骑行旅程编号），用户ID,自行车编码，起始站名和和编码，终点站名和编码都是对业务分析没有实际作用的变量，可以删除。
2.
空值占比很小，可以删除，得到没有空值的数据
3.
先用describe对数据进行一个描述统计，因为describe()只能针对数据型变量进行统计，所以这边只会显示birthyear，需要改变其他变量的数据类型。
tripduration中1,090，这种类型没法直接转变成数据型变量，我们可以先用replace函数把“，”去掉然后再转。
age可以直接转，usertype,gender都是类别型变量。
tripduration单位是米，一般最大值比75%位数大三四倍就是异常值，我们这里可以看下超过5000的记录数，年龄可以降到80.
发现骑行距离超过5000米的记录只有25个，可以删除。
将起始终止时间转换成datatime数据类型，将剩余的类别型变量转换成数据型变量（get_dummies）
到这里数据清理完毕。
步骤二：数据标准化
找出合适的特征变量存入X中，并将数据进行标准化。
起始终止时间之差可以得到‘timeduration’,birthyear和age对应关系取其一，usertype和gender是各一对，取其一。得到如下特征变量。
查看相关性，发现timeduration和tripduration强相关（0.93），选其一。
将数据存入X，并进行数据标准化。
步骤三：建立聚类模型
1.尝试不同分类的模型拟合
2.分析单变量维度的分群结果
3.使用轮廓系数评估模型效果
4.优化模型
先尝试分为3类
对‘gender_male’和'usertype_Subscriber'进行可视化（X,Y都挑0,1变量，比较好观察），理论上有4种结合可能，可视化的结果也很明显得展现了3种类别，分在4个角，说明这两个是比较好的特征变量。
第0组类型是customer,性别都有；
第1组类型是Subscriber,性别为男；
第2组类型是Subscriber，性别为女；
groupby同样可以得出一样的结果
当聚类个数为3个时，评估模型的效果，轮廓系数为0.47(评分越高，个体与群的距离越近，模型效果越好)
利用“肘”方法找出最佳聚类个数
快速下降趋于平缓下降的转折点是聚类最好的情况，图中为5时。
步骤四：导出聚类结果，做出业务解读
查看5中分群的各自占比，1群最多，012群都是有相当数量的群体，34群只占很小一部分。
可以查看一下导出的EXCEL中的内容，如上图
第一列是群组，重点关注每一列的数据，找出绝对值最大的数，如果人群在某个特征变量上数据的绝对值比较大，就说明这个人群在这个特征上有较明显的区分度。
0群是较年长的用户，占比18.7%
1群是男性，会员，年轻，骑行时间短的用户，占比48.3%，是摩拜的核心用户群
2群是女性用户，占比19.8%
3群是非订阅用户，占比3.5%
4群是骑行时间较长的用户，占比9.8%
业务建议：
优先满足核心用户群，1群，猜测该类人群广泛分布于校园，或者刚出校园的年轻工作者，可以在校园中推广骑行活动，通过该群体人数规模大的优势进行品牌宣传扩大品牌影响力。
