PostgreSQL数据聚类——kmeans

数据聚类在实际生活中应用场景还是挺多的，例如一个公司可以将客户进行分类，指定不同的销售策略等。
K-Means算法主要就是解决这类问题。在数据挖掘中， k-Means 算法是一种 cluster analysis 的算法，其主要是来计算数据聚集的算法，主要通过不断地取离种子点最近均值的算法。

介绍K-Means算法前，我们需要先弄清楚分类和聚类这两个概念：
分类：类别是已知的，通过对已知分类的数据进行训练和学习，找到这些不同类的特征，再对未分类的数据进行分类。属于监督学习。
聚类：事先不知道数据会分为几类，通过聚类分析将数据聚合成几个群体。聚类不需要对数据进行训练和学习。属于无监督学习。

这个算法实现过程如下图：

从上图中，我们可以看到，A, B, C, D, E 是五个在图中点。而灰色的点是我们的种子点，也就是我们用来找点群的点。有两个种子点，所以K=2。
然后，K-Means的算法如下：
1、随机在图中取K（这里K=2）个种子点。

2、然后对图中的所有点求到这K个种子点的距离，假如点Pi离种子点Si最近，那么Pi属于Si点群。（上图中，我们可以看到A,B属于上面的种子点，C,D,E属于下面中部的种子点）

3、接下来，我们要移动种子点到属于他的“点群”的中心。（见图上的第三步）

4、然后重复第2）和第3）步，直到，种子点没有移动（我们可以看到图中的第四步上面的种子点聚合了A,B,C，下面的种子点聚合了D，E）。

如果看了上面的介绍你还是不太清楚，可以参考下这篇文章，讲解的十分通俗易懂：
https://blog.csdn.net/huangfei711/article/details/78480078

那么在pg中该怎么使用kmeans算法呢？
PostgreSQL有一个k-means插件，可以用来实现kmean数据聚集统计，用在窗口函数中。
https://github.com/umitanuki/kmeans-postgresql/blob/master/doc/kmeans.md

用法举例：

 SELECT kmeans(ARRAY[x, y, z], 10) OVER (), * FROM samples;      SELECT kmeans(ARRAY[x, y], 2, ARRAY[0.5, 0.5, 1.0, 1.0]) OVER (), * FROM samples;      SELECT kmeans(ARRAY[x, y, z], 2, ARRAY[ARRAY[0.5, 0.5], ARRAY[1.0, 1.0]]) OVER (PARTITION BY group_key), * FROM samples; 

第一个参数是需要参与聚类分析的数组，第二个参数是最终分成几类（输出结果时类是从0开始的，如分2类的话，输出是0和1）。

第三个参数是种子参数，可以是1维或2维数组，如果是1维数组，必须是第一个参数的元素个数乘以第二个元素的值。(可以认为是给每一个类分配一个种子)。

例子：

bill=# create extension kmeans ;CREATE EXTENSIONbill=# \dx  kmeans                  Objects in extension "kmeans"                       Object description                       ---------------------------------------------------------------- function kmeans(double precision[],integer) function kmeans(double precision[],integer,double precision[])(2 rows)bill=# create table t1(c1 int,c2 int,c3 int,c4 int);  CREATE TABLEbill=# insert into t1 select 100*random(),1000*random(),100*random(),10000*random() from generate_series(1,100000);  INSERT 0 100000

如果是一维数组，必须是第一个参数数组的长度乘以类别个数2：

bill=# select kmeans(array[c1,c2,c3],2,array[1,2,3,4,5,6]) over() , * from t1 limit 10; kmeans | c1 | c2  | c3 |  c4  -------- ---- ----- ---- ------      1 | 91 | 772 |  8 | 8621      1 | 27 | 635 | 60 | 2038      1 | 80 | 892 | 71 | 1388      0 | 24 | 215 | 55 |  197      1 | 81 | 715 | 72 | 7863      0 |  7 | 432 | 55 | 8947      1 | 25 | 645 | 84 | 1226      0 | 70 |  19 | 53 | 1122      0 | 41 | 141 | 87 | 9622      1 | 15 | 513 | 58 | 8081(10 rows)

否则会报错：

bill=# select kmeans(array[c1,c2,c3],2,array[1,2,3,4]) over() ,* from t1;psql: ERROR:  initial mean vector must be 2d without NULL element

也可以写成这样：

bill=# select kmeans(array[c1,c2,c3],3,array[[1,1,1],[2,2,2],[3,3,3]]) over() ,* from t1 limit 10; kmeans | c1 | c2  | c3 |  c4  -------- ---- ----- ---- ------      2 | 91 | 772 |  8 | 8621      0 | 27 | 635 | 60 | 2038      2 | 80 | 892 | 71 | 1388      1 | 24 | 215 | 55 |  197      2 | 81 | 715 | 72 | 7863      0 |  7 | 432 | 55 | 8947      0 | 25 | 645 | 84 | 1226      1 | 70 |  19 | 53 | 1122      1 | 41 | 141 | 87 | 9622      0 | 15 | 513 | 58 | 8081(10 rows)

来源：https://www.icode9.com/content-2-678601.html