Лабораторная работа 4

orlov_artem_lab_4/app.py

@@ -0,0 +1,56 @@
+from flask import Flask, render_template
+import pandas as pd
+from sklearn.manifold import TSNE
+from sklearn.preprocessing import LabelEncoder
+from sklearn.cluster import KMeans
+import matplotlib.pyplot as plt
+from io import BytesIO
+import base64
+
+app = Flask(__name__)
+
+@app.route('/')
+def index():
+    # Load the dataset
+    df = pd.read_csv('top_240_restaurants_recommended_in_los_angeles_2.csv')
+
+    # Select the columns for clustering
+    columns_for_clustering = ['Rank', 'StarRating', 'NumberOfReviews', 'Style']
+
+    # Encode the 'Style' column
+    label_encoder = LabelEncoder()
+    df['Style_encoded'] = label_encoder.fit_transform(df['Style'])
+
+    # Select the columns for clustering
+    data_for_clustering = df[['Rank', 'StarRating', 'NumberOfReviews', 'Style_encoded']]
+
+    # Perform t-SNE for dimensionality reduction
+    tsne = TSNE(n_components=2, random_state=42)
+    tsne_result = tsne.fit_transform(data_for_clustering)
+
+    # Perform k-means clustering
+    kmeans = KMeans(n_clusters=3, random_state=42)
+    df['Cluster'] = kmeans.fit_predict(data_for_clustering)
+
+    # Add t-SNE results to the DataFrame
+    df['tsne_1'] = tsne_result[:, 0]
+    df['tsne_2'] = tsne_result[:, 1]
+
+    # Save the figure to a BytesIO object
+    plt.scatter(df['tsne_1'], df['tsne_2'], c=df['Cluster'], cmap='viridis')
+    plt.title('t-SNE Clustering')
+    plt.xlabel('t-SNE Component 1')
+    plt.ylabel('t-SNE Component 2')
+    plt.tight_layout()
+    img_data = BytesIO()
+    plt.savefig(img_data, format='png')
+    img_data.seek(0)
+
+    # Convert the BytesIO object to base64 for embedding in HTML
+    img_base64 = base64.b64encode(img_data.getvalue()).decode('utf-8')
+
+    # Render the HTML template with the embedded image
+    return render_template('index.html', img_base64=img_base64)
+
+if __name__ == '__main__':
+    app.run(debug=True)

orlov_artem_lab_4/readme.md

@@ -0,0 +1,43 @@
+Общее задание:
+Использовать метод кластеризации к данным из курсовой работы, самостоятельно сформулировав задачу.
+Интерпретировать результаты и оценить, насколько хорошо он подходит для решения сформулированной вами задачи.
+
+Задание по вариантам:
+Тема: Анализ данных Top 240 Recommended Restaurants in L.A. 2023
+Ссылка на датасет:
+https://www.kaggle.com/datasets/lorentzyeung/top-240-recommended-restaurants-in-la-2023?resource=download&select=top+240+restaurants+recommanded+in+los+angeles+2.csv
+
+Задача для кластарезации: кластеризация ресторанов по их мировому рейтингу, звездному рейтингу, количеству отзывов и стилю
+
+Запуск приложения: запуск файла app.py
+
+Использованные технологии:
+
+Flask: Веб-фреймворк для создания веб-приложений на Python.
+pandas: Библиотека для работы с данными, предоставляющая структуры данных и инструменты анализа.
+scikit-learn: Библиотека для машинного обучения в Python, включающая реализацию t-SNE и k-средних.
+matplotlib: Библиотека для создания графиков и визуализации данных.
+BytesIO: Инструмент для работы с байтовыми данными как с файлом в памяти.
+base64: Кодирование и декодирование данных в формате base64.
+
+Описание работы программы:
+
+Чтение данных: Данные о ресторанах загружаются из CSV-файла.
+Кодирование категориальных данных: Столбец 'Style' кодируется числовыми значениями с использованием LabelEncoder.
+Выбор данных для кластеризации: Выбираются нужные столбцы для анализа и кластеризации ('Rank', 'StarRating', 'NumberOfReviews', 'Style_encoded').
+t-SNE для уменьшения размерности: Применяется алгоритм t-SNE для уменьшения размерности данных до двух компонент.
+KMeans для кластеризации: Применяется алгоритм k-средних для кластеризации данных.
+Визуализация результатов: Результаты кластеризации отображаются на графике рассеяния.
+Встраивание графика в HTML: График сохраняется в формате PNG и встраивается в HTML как изображение в формате base64.
+Отправка результатов веб-приложению: Результаты передаются веб-приложению для отображения.
+
+Пример входных данных:
+Данные из файлов "top_240_restaurants_recommended_in_los_angeles_2.csv"
+Rank,StarRating,NumberOfReviews,Style
+1,4.4,2672,American (New)
+2,4.3,1701,Cocktail Bars; Gastropubs
+3,4.2,2557,Latin American; Korean; Noodles
+
+Пример выходных данных:
+График рассеяния, на котором каждая точка представляет ресторан, окрашенный в соответствии с кластером, к которому он отнесен.
+Веб-страница, на которой отображается график.

orlov_artem_lab_4/templates/index.html

@@ -0,0 +1,12 @@
+<!DOCTYPE html>
+<html lang="en">
+<head>
+    <meta charset="UTF-8">
+    <meta name="viewport" content="width=device-width, initial-scale=1.0">
+    <title>t-SNE Clustering</title>
+</head>
+<body>
+    <h1>t-SNE Clustering Results</h1>
+    <img src="data:image/png;base64,{{ img_base64 }}" alt="t-SNE Clustering">
+</body>
+</html>