kutygin_andrey_lab_4_ready

kutygin_andrey_lab_4/README.md

@@ -0,0 +1,37 @@
+**Задание**
+***
+Использовать метод кластеризации по варианту для данных из таблицы 1 по варианту(таблица 9),самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо он подходит для решения сформулированной вами задачи
+Вариант 16 - dendogram
+
+**Как запустить лабораторную**
+***
+Запустить файл main.py
+
+**Используемые технологии**
+***
+Библиотеки pandas, matplotlib, scipy, их компоненты
+
+**Описание лабораторной (программы)**
+***
+Данный код выполняет иерархическую кластеризацию на основе данных о незавидных наблюдениях НЛО. Вот краткое описание каждого шага кода:
+
+1. Импорт необходимых библиотек: pandas для работы с данными, matplotlib для построения графиков и scipy для иерархической кластеризации.
+
+2. Загрузка данных из файла 'ufo_sighting_data.csv' с помощью функции read_csv() и сохранение их в переменную data.
+
+3. Отбор необходимых столбцов из данных. В данном случае выбраны столбцы 'UFO_shape', 'length_of_encounter_seconds', 'latitude' и 'longitude'.
+
+4. Замена отсутствующих значений (NaN) на значение 'Unknown' с помощью метода fillna().
+
+5. Преобразование данных в числовой формат, если необходимо. В данном примере столбец 'length_of_encounter_seconds' преобразуется в числовой формат с помощью функции pd.to_numeric().
+
+6. Выполнение иерархической кластеризации с использованием функции linkage(). Параметры метода и метрики задаются как 'ward' (метод) и 'euclidean' (метрика).
+
+7. Построение дендрограммы с помощью функции dendrogram(). Размер фигуры устанавливается с помощью функции figure(figsize=(10, 7)). На оси x отображаются наблюдения, на оси y - расстояние. Заголовок и подписи для осей устанавливаются с помощью функций xlabel(), ylabel() и title(). Дендрограмма отображается с помощью функции show().
+Данный код позволяет провести кластерный анализ на основе координат местоположения наблюдений НЛО и визуализировать результаты в виде дендрограммы.
+
+**Результат**
+***
+[Dendogram](Figure_1.png)
+
+Дендрограмма отображает иерархическую структуру кластеров. Каждый вертикальный сегмент на графике представляет собой одно наблюдение НЛО, а каждый горизонтальный сегмент отображает объединение двух кластеров. Чем выше на графике происходит объединение, тем больше расстояние между объединяемыми кластерами.

kutygin_andrey_lab_4/main.py

@@ -0,0 +1,30 @@
+import pandas as pd
+import matplotlib.pyplot as plt
+from scipy.cluster.hierarchy import dendrogram, linkage
+
+# Загрузка данных из таблицы
+data = pd.read_csv('ufo_sighting_data.csv')
+
+# Отбор необходимых столбцов
+columns = ['UFO_shape', 'length_of_encounter_seconds', 'latitude', 'longitude']
+data = data[columns]
+
+# Замена отсутствующих значений
+data = data.fillna('Unknown')
+
+# Преобразование данных в числовые значения, если необходимо
+# Например, можно преобразовать столбец 'length_of_encounter_seconds' из строкового в числовой формат
+data['length_of_encounter_seconds'] = pd.to_numeric(data['length_of_encounter_seconds'], errors='coerce')
+
+# Выполнение иерархической кластеризации
+# Можно выбрать разные методы и метрики для кластеризации
+# Ниже пример с использованием евклидова расстояния и метода ward
+linkage_matrix = linkage(data[['latitude', 'longitude']], method='ward', metric='euclidean')
+
+# Построение дендрограммы
+plt.figure(figsize=(10, 7))
+dendrogram(linkage_matrix)
+plt.xlabel('Наблюдения')
+plt.ylabel('Расстояние')
+plt.title('Дендрограмма')
+plt.show()