kondrashin_mikhail_lab_4/README.md

@@ -1,42 +0,0 @@
-#### 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)
-	* P (атмосферное давление)
-    * 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

@@ -1,19 +0,0 @@
-from sklearn.cluster import KMeans
-import pandas
-from matplotlib import pyplot as plt
-
-factors = ['T', 'RH', 'D1', 'TI1', 'P']
-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()
-