机器学习练手（二）：基于KMeans的股票分类

总结：本文为和鲸python 机器学习原理与实践·闯关训练营资料整理而来，加入了自己的理解（by GPT4o）

原活动链接

在前一关我们学习了逻辑回归，学会如何训练模型、数据基础性分析、如何处理空值等操作，下面我们开始新的一关 KMeans。

KMeans

KMeans 是我们最常用的基于欧式距离的聚类算法，其认为两个目标的距离越近，相似度越大。

KMeans 算法的思想很简单，对于给定的样本集，按照样本之间的距离大小，将样本集划分为 K 个簇，其目的是让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。

基于 KMeans 的股票分类

以往的量化投资中对于股票的划分分类，通常取决于行业、市值、地域等等指标划分，而这些分类指标并不能很好的区分公司的好坏。而现在可以通过每日的交易行情实时划分分类，通过计算当日前一个月的分类从而确定该股票分类，更好的降低投资风险，提供风险对冲。该数据集有 2024-05-06 的全部上市公司股票交易行情信息，其中包含日期、开盘价、收盘价、最高价、最低价、成交量、成交额等特征信息，另外该模型使用的数据为真实数据，可以在实际操作中使用。

股市有风险，入市需谨慎！

引入依赖

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

from sklearn.cluster import KMeans
from sklearn.metrics import accuracy_score, silhouette_score
1
2
3
4
5
6

加载数据

# 1. 加载数据

stock = pd.read_csv('./data/stocks-2.csv', index_col='Unnamed: 0')
stock.head()
1
2
3
4

stock.info()
1

<class 'pandas.core.frame.DataFrame'>
Index: 5360 entries, 0 to 5359
Data columns (total 20 columns):
 #   Column         Non-Null Count  Dtype  
---  ------         --------------  -----  
 0   symbol         5360 non-null   object 
 1   code           5360 non-null   int64  
 2   name           5360 non-null   object 
 3   trade          5360 non-null   float64
 4   pricechange    5360 non-null   float64
 5   changepercent  5360 non-null   float64
 6   buy            5360 non-null   float64
 7   sell           5360 non-null   float64
 8   settlement     5360 non-null   float64
 9   open           5360 non-null   float64
 10  high           5360 non-null   float64
 11  low            5360 non-null   float64
 12  volume         5360 non-null   int64  
 13  amount         5360 non-null   int64  
 14  ticktime       5360 non-null   object 
 15  per            5360 non-null   float64
 16  pb             5360 non-null   float64
 17  mktcap         5360 non-null   float64
 18  nmc            5360 non-null   float64
 19  turnoverratio  5360 non-null   float64
dtypes: float64(14), int64(3), object(3)
memory usage: 879.4+ KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

# 2. 删除与分类数无关的特征列

new_stock = stock.drop(['symbol', 'code', 'name', 'ticktime'], axis=1)
new_stock.head()
1
2
3
4

确定分类个数

# 3. 利用肘部法则确定分类数

inertia = []
silhouette_scores = []
i_range = range(2, 11)
for i in i_range:
    kmeans = KMeans(n_clusters=i, random_state=10).fit(new_stock)
    inertia.append(kmeans.inertia_)
    silhouette_scores.append(silhouette_score(new_stock, kmeans.labels_))

inertia, silhouette_scores
1
2
3
4
5
6
7
8
9
10
11

([4.1450149552461185e+20,
  2.189263003520667e+20,
  1.6730094412041477e+20,
  9.618885942140525e+19,
  6.943786093529641e+19,
  5.561627387942571e+19,
  4.014992267655058e+19,
  3.2416675726264095e+19,
  2.4597061039181627e+19],
 [0.8944521948807374,
  0.8260147612056037,
  0.7907694574915884,
  0.7490320699906337,
  0.6649888612149094,
  0.6339363805356698,
  0.6338265053972817,
  0.6300107391392652,
  0.6195255140687659])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

这段代码使用肘部法则和轮廓分数（silhouette score）来确定数据集的最佳分类数（簇数）。下面是对代码的详细解析：

导入必要的库

from sklearn.cluster import KMeans  
from sklearn.metrics import silhouette_score  
1
2

初始化变量

inertia = []  
silhouette_scores = []  
i_range = range(2, 11)  
1
2
3

• inertia：用来存储不同簇数下的簇内误差平方和（SSE）。
• silhouette_scores：用来存储不同簇数下的轮廓分数。
• i_range：簇数的范围，从2到10（包括2和10）。

迭代不同的簇数

for i in i_range:  
    kmeans = KMeans(n_clusters=i, random_state=10).fit(new_stock)  
    inertia.append(kmeans.inertia_)  
    silhouette_scores.append(silhouette_score(new_stock, kmeans.labels_))  
1
2
3
4

• for i in i_range：遍历簇数范围，从2到10。
• kmeans = KMeans(n_clusters=i, random_state=10).fit(new_stock)：为每个簇数创建并训练一个KMeans模型。
  • n_clusters=i：设置当前簇数。
  • random_state=10：设置随机种子，以确保结果可复现。
  • fit(new_stock)：对数据集 new_stock 进行聚类训练。
• inertia.append(kmeans.inertia_)：将当前簇数下的簇内误差平方和（SSE）添加到 inertia 列表中。
• silhouette_scores.append(silhouette_score(new_stock, kmeans.labels_))：计算当前簇数下的轮廓分数，并添加到 silhouette_scores 列表中。

输出结果

inertia, silhouette_scores  
1

• 这将输出不同簇数下的簇内误差平方和（SSE）和轮廓分数。

肘部法则
肘部法则（Elbow Method）通过绘制簇数与SSE的关系图来帮助确定最佳簇数。最佳簇数通常是在SSE曲线开始明显变平的位置，即肘部位置。

轮廓分数
轮廓分数（Silhouette Score）用于评估聚类的质量，其值在-1到1之间。值越高表示聚类效果越好。通过比较不同簇数下的轮廓分数，可以选择分数最高的簇数作为最佳簇数。

总结
这段代码的目的是通过计算不同簇数下的簇内误差平方和（SSE）和轮廓分数，帮助选择数据集的最佳分类数。结合肘部法则和轮廓分数可以更全面地评估聚类效果，从而确定最合适的簇数。

# 4. 确定分类数
plt.figure(figsize=(15,5))

plt.subplot(1, 2, 1)
plt.plot(i_range, inertia, marker='o')

plt.subplot(1, 2, 2)
plt.plot(i_range, silhouette_scores, marker='o')

plt.tight_layout()
plt.show()

# 左图在 2 到 5 的时候，曲线下降速率明显下降。
# 右图在 2，3，4，5 时，轮廓系数比较高。
# 结合两图，选择 3 作为聚类数。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

​

​

# 5. 分类

kmeans_final = KMeans(n_clusters=3, random_state=10).fit(new_stock)

labels = kmeans_final.labels_
new_stock['cluster'] = labels
1
2
3
4
5
6

new_stock.head()
1

查看分类结果

# 6. 查看分类情况

new_stock['cluster'].value_counts()
1
2
3

cluster
0    4998
2     332
1      30
Name: count, dtype: int64
1
2
3
4
5

总结

KMeans 在确定分类个数计算时，无法使用 object 类型的数据，应当提前删除或对特征进行 one-hot 处理。

闯关题

STEP1：请根据要求完成题目

Q1. KMeans 中某个参数的含义是正确的？
A. n_clusters 分类个数
B. inertia_ 轮廓系数
C. silhouette_scores 曲线下降速率

Q2. 修改KMeans的划分集群个数为 4个，那么 002829 股票的分类是哪个？
A. 0
B. 1
C. 2
D. 3

kmeans_final2 = KMeans(n_clusters=4, random_state=10).fit(new_stock)

labels = kmeans_final2.labels_
stock['cluster'] = labels
stock[stock['symbol'] == 'sz002829']['cluster']
1
2
3
4
5

1304    0
Name: cluster, dtype: int32
1
2

Q3. 前300个股票数据集划分集群的最优个数是多少？
A. 1
B. 3
C. 5
D. 10

new_stock = new_stock[0:300]

inertia = []
silhouette_scores = []
i_range = range(2, 11)
for i in i_range:
    # 计算分类并保存指标
    kmeans = KMeans(n_clusters=i, random_state=10).fit(new_stock)
    inertia.append(kmeans.inertia_)
    silhouette_scores.append(silhouette_score(new_stock, kmeans.labels_))
inertia, silhouette_scores
1
2
3
4
5
6
7
8
9
10
11

([2.5308780913486823e+19,
  1.3473879858220839e+19,
  7.413489715471633e+18,
  6.109726555261718e+18,
  3.463054550988757e+18,
  2.604280833562603e+18,
  2.0732638975060705e+18,
  1.6982759851707302e+18,
  1.5100566906400458e+18],
 [0.8998406279029784,
  0.7527373456851054,
  0.692685627034619,
  0.6892926502877917,
  0.6522651603158817,
  0.6047949381607308,
  0.5696962854320331,
  0.5676513528559564,
  0.5655907482205398])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

plt.figure(figsize=(15,5))

plt.subplot(1, 2, 1)
plt.plot(i_range, inertia, marker='o')

plt.subplot(1, 2, 2)
plt.plot(i_range, silhouette_scores, marker='o')

plt.tight_layout()
plt.show()
1
2
3
4
5
6
7
8
9
10

​

​

#填入你的答案并运行,注意大小写
a1 = 'A'  # 如 a1= 'A'
a2 = 'A'  # 如 a2= 'A'
a3 = 'B'  # 如 a3= 'A'
1
2
3
4