kondrashin_mikhail_lab_4_ready

kondrashin_mikhail_lab_4/README.md

@@ -0,0 +1,41 @@
+#### Кондрашин Михаил ПИбд-41
+
+## Лабораторная работа 4. Кластеризация
+
+### Запуск лабораторной работы:
+
+* установить `python`, `numpy`, `matplotlib`, `sklearn`
+* запустить проект (стартовая точка класс `main.py`)
+
+### Используемые технологии:
+
+* Язык программирования `Python`,
+* Библиотеки `numpy`, `matplotlib`, `sklearn`
+* Среда разработки `IntelliJ IDEA` (В версии "Ultimate edition" можно писать на python)
+
+### Описание решения:
+
+* Используемы алгоритм кластеризации - k-mean
+* Попарно производит кластеризацию скорости ветра по различным метрикам, напрямую на неё влияющих.
+* Входные данные
+    * Влияющие признаки:
+        * D1 (угол, с которого дует ветер на самом высоком датчике мачты ветростанции)
+        * TI1 (показатель турбуленции на самом высоком датчике мачты ветростанции)
+        * T (температура воздуха)
+        * RH (относительная влажность)
+    * Кластеризуемый признак - V1 (Скорость ветра на самом высоком датчике мачты ветростанции)
+    * Файл WindData.csv
+
+### Выводы
+
+Представлены кластеризации по 4 группам, представляющих собой кластеризацию по группам городов,
+которым характерны конкретно текущие влияющие признаки. В целом k-means подходит к такому набору данных
+
+### Результат:
+
+![Result](images/D1-V1.png)
+![Result](images/RH-V1.png)
+![Result](images/T-V1.png)
+![Result](images/TI1-V1.png)
+
+

kondrashin_mikhail_lab_4/main.py

@@ -0,0 +1,19 @@
+from sklearn.cluster import KMeans
+import pandas
+from matplotlib import pyplot as plt
+
+factors = ['T', 'RH', 'D1', 'TI1']
+kmeans = KMeans(n_clusters=4)
+data = pandas.read_csv('WindData.csv')
+
+i = 0
+for i in range(len(factors)):
+    corr = data[['V1', factors[i]]]
+    kmeans.fit(corr)
+    plt.xlabel('V1', fontsize=14)
+    plt.ylabel(factors[i], fontsize=14)
+
+    plt.scatter(corr.values[:, 0], corr.values[:, 1], c=kmeans.labels_)
+    plt.savefig('images/' + factors[i] + '-V1.png')
+    plt.show()
+