這次我們用 NBA 球員賽季表現聚類來探討下 K-Means 算法，K-Means 是一個清晰明白的無監督學習方法，和 KNN 有很多相似點，例如都有超參數 K，前者是 K 個類別，后者是 K 個鄰居。

聚類算法是不需要標簽的，直接從數據的內在性之中學習最優的分類結果，或者說確定離散標簽類型。K-Means 聚類算法是其中最簡單、最容易理解的。

簡單即高效。我們的目標是學習一個東西，然后把它的思想應用到我們想要探索的場景，以加深對算法的理解。

最優的聚類結果需要滿足兩個假設：

“簇中心點”（cluster center）是屬于該簇的所有的數據點坐標的算術平均值

一個簇的每個點到該簇中心點的距離，比到其他簇中心點的距離短

于是 K-Means 聚類的工作流為

隨機猜測一些簇中心點

將樣本分配至離其最近的簇中心點上去

將簇中心點設置為所有點坐標的平均值

重復 2 和 3 直至收斂

我們會編碼實現 K-Means 算法，并用于 NBA 控衛 2020-21 常規賽季的表現分析中。

我們知道過去剛剛結束的這個賽季得分王是萌神庫里，我愛他。我們這里只關注控衛，一是因為控衛線上星光熠熠，二是數據分析要細分，這本身是一個原則。

我們開始吧！

01

學習原理方法

找到數據

我們可以從https://www.basketball-reference.com找到我們想要的數據，那就是NBA球員在過去一個賽季的統計數據。數據獲取流程如下

看看數據

#?三劍客來一遍 import?pandas?as?pd import?numpy?as?np import?matplotlib.pyplot?as?pltnba?=?pd.read_csv("nba_2020.csv") nba.head()

我們發現姓名列有個\，后面跟著不知道是什么的簡稱，可以處理掉。另外字段名全是簡寫，我一個球迷有很多都看不懂，尷尬。整理了下字段含義，我們看一遍，這樣就大概了解了這個數據集有什么了。

• Age：年齡（別告訴我你知不知道）

• TM（team）：球隊

• Lg（league）：聯盟

• Pos（position）：位置

• PG（Point Guard）：組織后衛

• GS（Games Started）:首發出場次數

• MP（Minutes Played Per Game）：場均上場時間

• FG（Field Goals Per Game）：場均命中數

• FGA（Field Goal Attempts Per Game）：場均投籃數

• FG%（Field Goal Percentage）：命中率

• 3P（3-Point Field Goals Per Game）：三分球命中率

• 3PA （3-Point Field Goal Attempts Per Game）：場均三分球投籃數

• 3P% （3-Point Field Goal Percentage）：三分球命中率

• 2P （2-Point Field Goals Per Game）：兩分球命中數

• 2PA （2-Point Field Goal Attempts Per Game）：場均兩分投籃數

• 2P% （2-Point Field Goal Percentage）：兩分球命中率

• eFG% （Effective Field Goal Percentage）：有效命中率

• FT （Free Throws Per Game）：場均罰球命中數

• FTA （Free Throw Attempts Per Game）：場均罰球數

• FT% （Free Throw Percentage）：罰球命中率

• ORB （Offensive Rebounds Per Game）：場均進攻籃板數

• DRB （Defensive Rebounds Per Game）：場均防守籃板數

• TRB （Total Rebounds Per Game）：總籃板數

• AST （Assists Per Game）：場均助攻

• STL （Steals Per Game）：場均搶斷

• BLK （Blocks Per Game）：場均蓋帽

• TOV （Turnovers Per Game）：場均失誤

• PF （Personal Fouls Per Game）：場均個人犯規

• PTS （Points Per Game）：場均得分

處理數據

#?球員名字取\前面的字符 nba['Player']?=?nba['Player'].apply(lambda?x:?x.split('\\')[0]) #?取控衛PG的樣本進行分析 point_guards?=?nba[nba['Pos']?==?'PG'] #?剔除0失誤的控衛數據，0tov意味著場次太少，且0不能被除 point_guards?=?point_guards[point_guards['TOV']?!=?0] #?定義ATR為助攻失誤比，并計算出來 point_guards['ATR']?=?point_guards['AST']?/?point_guards['TOV']

處理后的數據變成了下面的樣子，我們剩下了 124 個控衛數據。

判斷一個控衛優不優秀，最重要的兩個指標是場均得分和場均助攻失誤比，也就是PTS和ATR。下面我們就用這兩個關鍵特征對球員聚類。

探索數據

看下這些球員的場次得分與助攻失誤比散點圖，這往往是數據分析和建模的第一步。

#?改善下繪圖風格 import?seaborn?as?sns sns.set()# nba聯盟控衛場次得分與助攻失誤比散點圖 plt.scatter(point_guards['PTS'],?point_guards['ATR'],?c='y') plt.title("Point?Guards") plt.xlabel('Points?Per?Game',?fontsize=13) plt.ylabel('Assist?Turnover?Ratio',?fontsize=13) plt.show()

最右邊得分超過 30 的你不用猜，就是這個男人。

確認下數據，場均得分大于 25 的過濾出來看下，果然是庫里，東契奇、歐文、利拉德等人赫然在列。這些超巨得分是高，但看起來助攻失誤比差不多都在平均線上下。這是合理的。其實有點干的越多錯的越多的意思，工作上亦是如此。

看了下助攻失誤比超高或超低的，我都不認識就不說了。

我們聚類吧

從散點圖來看，其實并沒有明顯的簇，但我們可以人為定義任意個簇。我們還是分成 5 類。于是我們開始做聚類的第一步。

STEP1：隨機認定 5 個樣本點作為簇的中心點

num_clusters?=?5 #?從樣本里隨機選5個出來作為5個簇的起始中心點 random_initial_points?=?np.random.choice(point_guards.index,?size=num_clusters) centroids?=?point_guards.loc[random_initial_points] #?畫出散點圖，包括5個隨機選取的聚類中心點 plt.scatter(point_guards['PTS'],?point_guards['ATR'],?c='y') plt.scatter(centroids['PTS'],?centroids['ATR'],?c='red') plt.title("Centroids") plt.xlabel('Points?Per?Game',?fontsize=13) plt.ylabel('Assist?Turnover?Ratio',?fontsize=13) plt.show()

隨后就是不斷迭代優化簇中心點的過程，為了方便，我們將中心點的坐標存在一個字典里。

def?centroids_to_dict(centroids):dictionary?=?dict()#?iterating?counter?we?use?to?generate?a?cluster_idcounter?=?0#?iterate?a?pandas?data?frame?row-wise?using?.iterrows()for?index,?row?in?centroids.iterrows():coordinates?=?[row['PTS'],?row['ATR']]dictionary[counter]?=?coordinatescounter?+=?1return?dictionarycentroids_dict?=?centroids_to_dict(centroids)

上圖我們看到，隨機選出來的centroids，我們把它存在了一個centroids_dict里面。

STEP2：將樣本分配至離其最近的簇中心點上去

這里涉及兩個計算，一個是距離的度量，一個是最小元素的查找。前者我們采用歐拉距離，后者是選擇排序的精髓。

先定義好這兩個計算函數，如下。

import?mathdef?calculate_distance(centroid,?player_values):root_distance?=?0for?x?in?range(0,?len(centroid)):difference?=?centroid[x]?-?player_values[x]squared_difference?=?difference**2root_distance?+=?squared_differenceeuclid_distance?=?math.sqrt(root_distance)return?euclid_distancedef?assign_to_cluster(row):lowest_distance?=?-1closest_cluster?=?-1for?cluster_id,?centroid?in?centroids_dict.items():df_row?=?[row['PTS'],?row['ATR']]euclidean_distance?=?calculate_distance(centroid,?df_row)if?lowest_distance?==?-1:lowest_distance?=?euclidean_distanceclosest_cluster?=?cluster_idelif?euclidean_distance?<?lowest_distance:lowest_distance?=?euclidean_distanceclosest_cluster?=?cluster_idreturn?closest_cluster

執行這兩個函數，我們就完成了 STEP2，我們可視化看下完成后的結果。

point_guards['cluster']?=?point_guards.apply(lambda?row:?assign_to_cluster(row),?axis=1)def?visualize_clusters(df,?num_clusters):colors?=?['b',?'g',?'r',?'c',?'m',?'y',?'k']for?n?in?range(num_clusters):clustered_df?=?df[df['cluster']?==?n]plt.scatter(clustered_df['PTS'],?clustered_df['ATR'],?c=colors[n-1])plt.xlabel('Points?Per?Game',?fontsize=13)plt.ylabel('Assist?Turnover?Ratio',?fontsize=13)plt.show()visualize_clusters(point_guards,?5)

以上，5 個類別分別以不同的顏色標識出來了，但顯然這是隨機簇的結果，劃分的 5 類結果并沒有太好。我們還需要 STEP3。

STEP3：將簇中心點設置為所有點坐標的平均值

def?recalculate_centroids(df):new_centroids_dict?=?dict()for?cluster_id?in?range(0,?num_clusters):values_in_cluster?=?df[df['cluster']?==?cluster_id]#?Calculate?new?centroid?using?mean?of?values?in?the?clusternew_centroid?=?[np.average(values_in_cluster['PTS']),?np.average(values_in_cluster['ATR'])]new_centroids_dict[cluster_id]?=?new_centroidreturn?new_centroids_dict

STEP4：重復 2 和 3

#?多次迭代，試試100輪吧 for?_?in?range(0,100):centroids_dict?=?recalculate_centroids(point_guards)point_guards['cluster']?=?point_guards.apply(lambda?row:?assign_to_cluster(row),?axis=1)visualize_clusters(point_guards,?num_clusters)

最終的結果如上，我們看到效果已經得到了很好的優化。高得分的在一個簇，高助攻失誤比的在一個簇。

以上，我們寫了很多代碼。

手寫算法是為了學習和理解。工程上，我們要充分利用工具和資源。

sklearn 庫就包含了我們常用的機器學習算法實現，可以直接用來建模。

from?sklearn.cluster?import?KMeanskmeans?=?KMeans(n_clusters=num_clusters) kmeans.fit(point_guards[['PTS',?'ATR']]) point_guards['cluster']?=?kmeans.labels_visualize_clusters(point_guards,?num_clusters)

短短五行代碼就完成了我們從零開始寫的百來行代碼，效果看起來也很合理。值得說明的是，聚類受起始點的影響，可能不會達到全局最優結果。細心的朋友一定看出來了，上面兩個最終聚類結果是有差異的。

02

風控中的應用

如果學習了一項技能，但是不知道怎么用，那就毫無意義。

想想風控中聚類可以用來干什么呢？風控中我們有什么數據，關注什么結果呢？

一個有意思的課題是，用戶手機安裝的 app 能不能區分用戶的風險。答案顯然是肯定的，

除了必要的社交、支付、生活和工具類 app 外，那些差異化的 app 偏好顯然刻畫不同類型的用戶。安裝了很多小貸平臺的用戶，就很可能是一個多頭客戶，在想著辦法擼口子。

于是我們可以用 app 的安裝情況來給用戶聚類，假設采集了用戶在 100 個 app 的安裝情況，就可以對這 100 個 0、1 變量聚類。

聚成兩類后，我們可以采用其中有標簽的用戶進行驗證，如果好壞用戶絕大部分都正確地被劃分開了，那么有理由相信那些沒有標簽的用戶大概率就等于簇的標簽。

我沒有對應的數據可以舉例，但有類似的數據來說明問題。下面是美國國會的數據，party 代表了議員的黨派，R 是共和黨 Republican，D 是民主黨 Democratic，I 是中間黨派。其余數據均為 0、1 變量。這里的 party 就類似風控中的好壞用戶。

import?pandas?as?pd votes?=?pd.read_csv("114_congress.csv") votes.head()

于是我們開始無監督聚類。注意以下并未用到 party 這個標簽。

#?用k-means?clustering方法 from?sklearn.cluster?import?KMeanskmeans_model?=?KMeans(n_clusters=2,?random_state=1) senator_distances?=?kmeans_model.fit_transform(votes.iloc[:,?3:])labels?=?kmeans_model.labels_

我們需要用標簽去對聚類結果做驗證。

可以看到，分成了 0 和 1 兩個簇中，0 簇中 43 個議員有 41 個都是民主黨，2 是無黨派人士；1 簇中 57 個議員有 54 個都是共和黨，3 個是民主黨。數據總有異常，或者用戶總有一部分比較奇怪，我們不追求 100%準確。

不完美才是人生的最完美。

推薦閱讀

Pandas處理數據太慢，來試試Polars吧！

懶人必備！只需一行代碼，就能導入所有的Python庫

絕！關于pip的15個使用小技巧

介紹10個常用的Python內置函數，99.99%的人都在用！

可能是全網最完整的 Python 操作 Excel庫總結！

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的秀，用NBA球员数据学透K-Means聚类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。