Merge pull request 'istyukov_timofey_lab_4 is ready' (#289) from istyukov_timofey_lab_4 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/289

istyukov_timofey_lab_4/README.md

@@ -0,0 +1,78 @@
+# Лабораторная работа №4. Кластеризация
+## 12 вариант
+___
+
+### Задание:
+Использовать для своих данных метод кластеризации по варианту,
+самостоятельно сформулировав задачу. Интерпретировать результаты и оценить,
+насколько хорошо он подходит для решения сформулированной вами задачи.
+
+### Вариант:
+- Алгоритм кластеризации: **linkage**
+
+### Вариант набора данных по курсовой работе:
+- Прогнозирование музыкальных жанров ("Prediction of music genre")
+
+___
+
+### Запуск
+- Запустить файл lab4.py 
+
+### Используемые технологии
+- Язык программирования **Python**
+- Среда разработки **PyCharm**
+- Библиотеки:
+    * pandas
+    * scipy
+    * matplotlib
+
+### Описание программы
+**Набор данных (Kaggle):** Полный список жанров, включенных в CSV:
+«Электронная музыка», «Аниме», «Джаз», «Альтернатива», «Кантри», «Рэп»,
+«Блюз», «Рок», «Классика», «Хип-хоп».
+
+**Задача, решаемая алгоритмом кластеризации:**
+Группировка музыкальных треков на основе их характеристик с целью создания
+кластеров треков с схожими характеристиками. Алгоритм кластеризации может
+помочь в создании плейлистов и рекомендаций, основанных на схожести
+музыкальных треков по некоторым характеристикам.
+
+**Задача оценки:**
+Анализ получившейся иерархической структуры с помощью дендрограмме.
+
+---
+### Пример работы
+
+*Датасет, сформированный из случайных строк csv-файла.*
+
+![Graphics](2_dataset.jpg)
+
+---
+*Визуализация дерева, представляющего иерархическое слияние кластеров,
+в виде дендрограммы. Это может быть полезно для понимания структуры данных.*
+
+![Graphics](1_dendrogram.png)
+
+---
+*Вывод первых 10 музыльных треков из датасета с их
+принадлежностью к кластеру*
+
+![Graphics](3_clusters.jpg)
+
+### Вывод
+С моими данными алгоритм справляется довольно успешно. На результате выше
+можно сравнить два трека — "Gake No Ue No Ponyo" и "He Would Have Laughed".
+В результате работы программы они были присвоены к кластеру №10.
+При этом первый трек отнесён к жанру "Anime", а второй — к "Alternative".
+Тем не менее, эти две песни похожи преобладанием инструментала в них
+(в особенности перкуссии), а так же наличием ирландских мотивов в нём.
+
+В ходе работы было проверено 8 пар музыкальных треков, принадлежащих
+к разным кластерам. Как итог, больше половины пар действительно имели
+много схожего в звучании или концепте аранжировки, несмотря на различия
+по некоторым характеристикам (в том числе жанр).
+
+Из плюсов иерархической кластеризации можно выделить отсутствие
+конкретного количества кластеров, для поиска похожей музыки это
+явно преимущество. Из минусов же — слишком медленная работа
+на больших наборах данных (из-за чего и было взято 50% от всего датасета).

istyukov_timofey_lab_4/lab4.py

@@ -0,0 +1,85 @@
+"""
+Использовать для своих данных метод кластеризации по варианту, самостоятельно сформулировав задачу.
+Интерпретировать результаты и оценить, насколько хорошо он подходит для решения сформулированной вами задачи.
+
+"""
+
+"""
+Задача, решаемая алгоритмом кластеризации:
+Группировка музыкальных треков на основе их характеристик с целью создания кластеров треков
+с схожими характеристиками. Алгоритм кластеризации может помочь в создании плейлистов и рекомендаций,
+основанных на схожести музыкальных треков по некоторым характеристикам.
+"""
+
+# 12 вариант
+# Набор данных по курсовой: "Prediction of music genre"
+# Алгоритм кластеризации: linkage
+
+
+
+import pandas as pd
+from scipy.cluster.hierarchy import linkage, dendrogram, fcluster
+import matplotlib.pyplot as plt
+
+
+
+DATASET_FILE = 'music_genre.csv'
+
+
+def main():
+    df = open_dataset(DATASET_FILE)
+    df = df.sample(frac=.5)  # отбираем 50% рандомных строк с набора данных, т.к. он большой
+    print("\033[92m[-----> Набор данных <-----]\033[00m")
+    print(df)
+
+    # Перевод жанров и ладов (минор/мажор) в числовые признаки
+    df_genres = pd.get_dummies(df['music_genre'])
+    df_modes = pd.get_dummies(df['mode'])
+    # Объединение основной таблицы с числовыми признаками
+    df_music = pd.concat([df, df_genres, df_modes], axis=1).reindex(df.index)
+    # Удаление строковых стоблцов, которые заменили на числовые признаки
+    df_music = df_music.drop(columns=['music_genre', 'mode'])
+    # Датасет для работы с кластеризацией (без исполнителя и названия трека)
+    X = df_music.drop(columns=['artist_name', 'track_name'])
+
+    # Иерархическая кластеризация с связью ward
+    # (минимизация суммы квадратов разностей во всех кластерах)
+    linkage_matrix = linkage(X, method='ward', metric='euclidean')
+
+    # Формирование кластеров из матрицы связей
+    cluster_label = fcluster(Z=linkage_matrix, t=300, criterion='distance')
+    # Присвоение кластера треку
+    df['cluster'] = cluster_label
+    # Установка опции показа 3 столбцов при выводе
+    pd.set_option('display.max_columns', 3)
+    # Вывод результата кластеризации
+    print("\033[92m\nЫ[-----> Результат иерархической кластеризации <-----]\033[00m")
+    print(df[['artist_name', 'track_name', 'cluster']].head(10))
+    print("\033[92mКоличество кластеров: {}\033[00m" .format(cluster_label.max()))
+
+    # Дендрограмма
+    plt.figure(figsize=(12, 6))
+    dendrogram(linkage_matrix, truncate_mode='lastp', p=20, leaf_rotation=90., leaf_font_size=8., show_contracted=True)
+    plt.title('Дендрограмма иерархической кластеризации музыкальных треков')
+    plt.xlabel('Количество треков в узле')
+    plt.ylabel('Евклидово расстояние между треками')
+    plt.savefig('1_dendrogram')
+    plt.show()
+
+
+# Функция считывания и очищения csv-файла
+def open_dataset(csv_file):
+    # открываем файл с указанием знака-отделителя
+    df = pd.read_csv(csv_file, delimiter=',')
+    # выбираем необходимые признаки
+    df = df[['artist_name', 'track_name', 'mode', 'tempo', 'instrumentalness', 'acousticness',
+             'speechiness', 'danceability', 'energy', 'liveness', 'valence', 'music_genre']]
+    # очищаем набор данных от пустых и неподходящих значений
+    df = df[df['tempo'] != '?']
+    df = df.dropna()
+    return df
+
+
+
+if __name__ == "__main__":
+    main()