R按组无监督聚类（？）
R Unsupervised Clustering by group (?)
我的主要和最重要的目标实际上是找到有许多点依次出现在同一条线上的组，我的想法是在 kmeans 的帮助下完成，但也许你有更好的主意。
我将根据您可以在下面找到的两个图进行解释（每个图描述一组）：
组 1 的绘图 1：
我们可以看到有很多点位于几乎相同的 y 轴上 --> 我正在尝试弄清楚 如何找到具有这样 "points distribution"[=60= 的组]
下面是 第 2 组 的图 2，它没有显示 "points distribution"
在这里我们可以找到对应以上两个图的数据:
structure(list(Group = c(1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 1),
x = c(100L, 150L, 250L, 287L, 312L, 387L, 475L, 550L, 837L,
937L, 987L, 1087L, 1175L, 1300L, 1325L, 1487L, 1662L, 1700L,
1725L, 1812L, 1912L, 2412L, 3012L, 3562L, 4162L, 4762L, 5362L,
5750L, 5712L, 6225L, 6825L, 6887L, 7237L, 7850L, 7800L, 7937L,
7975L, 8275L, 8362L, 8662L, 8725L, 8950L, 9100L, 9312L, 9400L,
9600L, 550L, 612L, 1962L, 5412L, 8425L, 9375L, 5412L), y = c(493L,
482L, 479L, 476L, 481L, 479L, 474L, 480L, 480L, 491L, 489L,
490L, 485L, 485L, 485L, 479L, 482L, 482L, 482L, 482L, 484L,
489L, 491L, 489L, 496L, 498L, 500L, 0L, 498L, 500L, 502L,
506L, 497L, 0L, 495L, 506L, 497L, 494L, 498L, 500L, 496L,
499L, 496L, 495L, 495L, 498L, 442L, 447L, 394L, 465L, 806L,
700L, 502L)), row.names = c(23L, 24L, 25L, 26L, 27L, 28L,
29L, 30L, 31L, 32L, 33L, 34L, 35L, 36L, 37L, 38L, 39L, 40L, 41L,
42L, 43L, 44L, 45L, 46L, 47L, 48L, 49L, 51L, 52L, 53L, 54L, 55L,
56L, 57L, 58L, 59L, 60L, 61L, 62L, 63L, 64L, 65L, 66L, 67L, 68L,
69L, 574L, 575L, 576L, 577L, 578L, 579L, 815L), class = "data.frame")
简短说明：
Group x y
1 100 493
1 150 482
1 250 479
1 287 476
1 312 481
1 387 479
我们这里有每个组 (1 & 2)，x 和 y 坐标。
我目前的做法：
我使用此代码将 y 轴四舍五入为 20
round_any = function(x, accuracy, f=round){f(x/ accuracy) * accuracy} # function to round the y
data$y_rd <- round_any(data$y, 20)
我这样做是因为通常点不会专门位于同一条 y 线上..
此外，我使用此代码基于每个 y_rd（四舍五入的 y 坐标）的 x 坐标为每个组创建了集群：
data$id <- paste(data$Group, data$y_rd, sep = "_") # create id that contains Group and y_rd values
res2 <- tapply(data$x, INDEX = data$id, function(x) kmeans(x,2)) # kmeans with fixed number of clusters
res3 <- lapply(names(res2), function(x) data.frame(y=x, Centers=res2[[x]]$centers, Size=res2[[x]]$size))
res3 <- do.call(rbind, res3)
但是它无法按我的需要工作，因为我无法为每个组定义固定的集群数并且 y_rd...
此时我陷入困境，不知道可以采取什么方法来找到具有这种分布的组...
我想得到的结果：
Group Cluster MaxPoints
1 1 3
1 2 20
1 3 7
我愿意接受任何想法或提示，以帮助我找到显示此类集合的组。谢谢！
你的问题有些地方我不是很清楚，所以这里有一个答案，也许它可以作为一个起点。
由于似乎最重要的变量是y，您可以尝试在小组中研究它，然后将k-means应用到"winner"组中。
首先，您可以尝试检测可能具有 "line" 分布的组，查看一些箱线图或一些直方图：
dats %>% ggplot(aes(y_rd)) + geom_histogram() + facet_wrap(vars(Group)) + theme_light()
现在似乎有一个组有一条长线和一个较小的集群 (1) 和一个有很多小集群的组 (2)。所以在这种情况下，您可以将数据分成两个集群的组（和一条长线），有 1，还有一个有很多 "small clusters" 的组，没有长线 (2)。这个想法是将您的 100 个组划分为 "no long line"、"long line and 1 small cluster"、"long line and 2 small clusters" 等。有了这些，您就可以拆分数据集并执行聚类。在这种情况下，我们丢弃第二组，并使用带有 2 个中心的 k-means 作为第二组，因为它看起来有一条长线和另一个小簇。
vec <- c(1) # vector of groups that seems they've long line
# a loop to cluster them: clearly this is fixed to two clusters, looking at the
# histograms you can do n loop, one for similar distributions
listed <- list()
for (i in vec){
clustering <- kmeans(dats[dats$Group == 1,c(4)],2)
listed[[i]] <- data.frame(dats[dats$Group == i,c(4)],cl = clustering$cluster)
}
现在你可以绘制它了：
library(ggplot2)
ggplot(listed[[1]], aes(x,y, color = as.factor(cl))) + geom_point() + theme_light()
我的主要和最重要的目标实际上是找到有许多点依次出现在同一条线上的组，我的想法是在 kmeans 的帮助下完成，但也许你有更好的主意。
我将根据您可以在下面找到的两个图进行解释（每个图描述一组）：
组 1 的绘图 1：
我们可以看到有很多点位于几乎相同的 y 轴上 --> 我正在尝试弄清楚 如何找到具有这样 "points distribution"[=60= 的组]
下面是 第 2 组 的图 2，它没有显示 "points distribution"
在这里我们可以找到对应以上两个图的数据:
structure(list(Group = c(1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 1),
x = c(100L, 150L, 250L, 287L, 312L, 387L, 475L, 550L, 837L,
937L, 987L, 1087L, 1175L, 1300L, 1325L, 1487L, 1662L, 1700L,
1725L, 1812L, 1912L, 2412L, 3012L, 3562L, 4162L, 4762L, 5362L,
5750L, 5712L, 6225L, 6825L, 6887L, 7237L, 7850L, 7800L, 7937L,
7975L, 8275L, 8362L, 8662L, 8725L, 8950L, 9100L, 9312L, 9400L,
9600L, 550L, 612L, 1962L, 5412L, 8425L, 9375L, 5412L), y = c(493L,
482L, 479L, 476L, 481L, 479L, 474L, 480L, 480L, 491L, 489L,
490L, 485L, 485L, 485L, 479L, 482L, 482L, 482L, 482L, 484L,
489L, 491L, 489L, 496L, 498L, 500L, 0L, 498L, 500L, 502L,
506L, 497L, 0L, 495L, 506L, 497L, 494L, 498L, 500L, 496L,
499L, 496L, 495L, 495L, 498L, 442L, 447L, 394L, 465L, 806L,
700L, 502L)), row.names = c(23L, 24L, 25L, 26L, 27L, 28L,
29L, 30L, 31L, 32L, 33L, 34L, 35L, 36L, 37L, 38L, 39L, 40L, 41L,
42L, 43L, 44L, 45L, 46L, 47L, 48L, 49L, 51L, 52L, 53L, 54L, 55L,
56L, 57L, 58L, 59L, 60L, 61L, 62L, 63L, 64L, 65L, 66L, 67L, 68L,
69L, 574L, 575L, 576L, 577L, 578L, 579L, 815L), class = "data.frame")
简短说明：
Group x y
1 100 493
1 150 482
1 250 479
1 287 476
1 312 481
1 387 479
我们这里有每个组 (1 & 2)，x 和 y 坐标。
我目前的做法：
我使用此代码将 y 轴四舍五入为 20
round_any = function(x, accuracy, f=round){f(x/ accuracy) * accuracy} # function to round the y
data$y_rd <- round_any(data$y, 20)
我这样做是因为通常点不会专门位于同一条 y 线上..
此外，我使用此代码基于每个 y_rd（四舍五入的 y 坐标）的 x 坐标为每个组创建了集群：
data$id <- paste(data$Group, data$y_rd, sep = "_") # create id that contains Group and y_rd values
res2 <- tapply(data$x, INDEX = data$id, function(x) kmeans(x,2)) # kmeans with fixed number of clusters
res3 <- lapply(names(res2), function(x) data.frame(y=x, Centers=res2[[x]]$centers, Size=res2[[x]]$size))
res3 <- do.call(rbind, res3)
但是它无法按我的需要工作，因为我无法为每个组定义固定的集群数并且 y_rd...
此时我陷入困境，不知道可以采取什么方法来找到具有这种分布的组...
我想得到的结果：
Group Cluster MaxPoints
1 1 3
1 2 20
1 3 7
我愿意接受任何想法或提示，以帮助我找到显示此类集合的组。谢谢！
你的问题有些地方我不是很清楚，所以这里有一个答案，也许它可以作为一个起点。
由于似乎最重要的变量是y，您可以尝试在小组中研究它，然后将k-means应用到"winner"组中。
首先，您可以尝试检测可能具有 "line" 分布的组，查看一些箱线图或一些直方图：
dats %>% ggplot(aes(y_rd)) + geom_histogram() + facet_wrap(vars(Group)) + theme_light()
现在似乎有一个组有一条长线和一个较小的集群 (1) 和一个有很多小集群的组 (2)。所以在这种情况下，您可以将数据分成两个集群的组（和一条长线），有 1，还有一个有很多 "small clusters" 的组，没有长线 (2)。这个想法是将您的 100 个组划分为 "no long line"、"long line and 1 small cluster"、"long line and 2 small clusters" 等。有了这些，您就可以拆分数据集并执行聚类。在这种情况下，我们丢弃第二组，并使用带有 2 个中心的 k-means 作为第二组，因为它看起来有一条长线和另一个小簇。
vec <- c(1) # vector of groups that seems they've long line
# a loop to cluster them: clearly this is fixed to two clusters, looking at the
# histograms you can do n loop, one for similar distributions
listed <- list()
for (i in vec){
clustering <- kmeans(dats[dats$Group == 1,c(4)],2)
listed[[i]] <- data.frame(dats[dats$Group == i,c(4)],cl = clustering$cluster)
}
现在你可以绘制它了：
library(ggplot2)
ggplot(listed[[1]], aes(x,y, color = as.factor(cl))) + geom_point() + theme_light()