数据分析进阶-基于tslearn的单变量时间序列聚类

本文主要是介绍数据分析进阶-基于tslearn的单变量时间序列聚类，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

前言

最近受一篇2015年文章《时间序列用户生命周期的聚类方法》的启发，阅读了很多时间序列聚类相关的方法，用消费行为的时间序列尝试去对用户行为进行分群，虽然现阶段的效果不如预期，就当总结希望后续能有所交流~

基于日消费总额的时间序列聚类

为了更好地保留用户消费行为时间序列特征（包含全局特征&局部特征），采用基于时间序列形状的方式以计算序列相似度进行用户行为区分，其中尝试了两个方向：

一、方法说明

1.DTW

DTW即Dynamic Time Warping，是动态时间规整算法，利用DTW的原因是用户在不同时间点上消费行为存在不一致性，为保证存在相似序列的用户能有效地归类
在这里插入图片描述

2.KShape

KShape 是一种时间序列聚类算法，由论文《k-Shape: Efficient and Accurate Clustering of Time Series》提出，该算法的核心是迭代增强过程，可以生成同质且较好分离的聚类。该算法采用标准的互相关距离衡量方法，基于此距离衡量方法的特性，提出了一个计算簇心的方法，在每一次迭代中都用它来更新时间序列的聚类分配

二、实验说明

实验利用日消费总额时间序列（如图），基于tslearn工具包（具体用法可见其官方文档：https://tslearn.readthedocs.io/en/stable/）完成聚类实验
在这里插入图片描述

1.输入数据

源数据的格式如下：user, date1, date2, date3, …, daten，可利用tslearn的to_time_series_dataset方法对数据进行处理

import pandas as pd
import numpy as np
from tslearn.utils import to_time_series_datasetdata = pd.read_csv('data.csv')
input_data = to_time_series_dataset