# Лабораторная 4
## Вариант 9

## Задание
Использовать метод кластеризации t-SNE,самостоятельно  сформулировав  задачу. Интерпретировать результаты и оценить, насколько хорошо он подходит для решения сформулированной вамизадачи.

Задача:
- Можно использовать кластеризацию для группировки компаний на основе их местоположения (company_location) и размера (company_size). Это поможет выделить группы компаний с похожими характеристиками.

## Описание Программы
Программа выполняет кластеризацию компаний на основе их местоположения (company_location) и размера (company_size) с использованием методов t-SNE и KMeans. 

### Используемые библиотеки
`pandas:`

Используется для загрузки данных из CSV-файла и работы с ними в виде датафрейма (pd.read_csv, pd.DataFrame).

`LabelEncoder (из scikit-learn):`

Применяется для преобразования категориальных переменных (company_location и company_size) в числовые значения (le.fit_transform).

`TSNE (из scikit-learn):`

Используется для выполнения уменьшения размерности данных с помощью метода t-SNE (TSNE(n_components=2, random_state=42)).

`KMeans (из scikit-learn):`

Применяется для кластеризации данных методом KMeans (KMeans(n_clusters=3, random_state=42)).

`matplotlib и seaborn:`

Используются для визуализации данных и построения графика, который отображает результаты кластеризации (plt.figure, sns.scatterplot, plt.title, plt.show).

### Шаги программы

**Загрузка данных:**

Данные о компаниях загружаются из CSV-файла "ds_salaries.csv" с использованием pandas.

**Преобразование категориальных переменных:**

Местоположение компаний (company_location) и их размер (company_size) преобразуются из категориальных в числовые значения с помощью LabelEncoder.

**Выбор признаков:**

Выбираются признаки для анализа, в данном случае, местоположение и размер компаний.

**Уменьшение размерности с использованием t-SNE:**

Применяется метод t-SNE для уменьшения размерности данных до двух компонент.

**Кластеризация данных с использованием KMeans:**

Кластеризация данных выполняется с помощью метода KMeans с 3 кластерами, определенными на основе результата t-SNE.

**Создание и визуализация нового датафрейма:**

Создается новый датафрейм (data_tsne_df), содержащий новые координаты компаний после применения t-SNE, а также метки кластеров.
Добавляется номер кластера к исходным данным.

**Визуализация кластеров:**

Выполняется визуализация результатов кластеризации с использованием библиотеки seaborn.

### Запуск программы
- Склонировать или скачать код `main.py`.
- Запустите файл в среде, поддерживающей выполнение Python. `python main.py`

### Результаты
![](img.png)

На графике представлены компании в двумерном пространстве, где каждая точка относится к конкретному кластеру. Различные цвета точек обозначают принадлежность к разным кластерам.

Кластеры можно рассматривать как группы компаний с схожими характеристиками местоположения и размера. Компании, находящиеся близко в двумерном пространстве, могут иметь схожие характеристики.