La segmentación o clusters es un conjunto de técnicas cuyo propósito es formar grupos a partir de un conjunto de elementos.
Más información: [R for Data Science (2ed)] (https://r4ds.hadley.nz/)
#install.packages("cluster")
library(cluster)
#install.package("ggplot2")
library(ggplot2)
#install.packages("data.table")
library(data.table)
#install.packages("factoextra")
library(factoextra)
## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa
df<- data.frame (x=c(2,2,8,5,7,6,1,4), y=c(10,5,4,8,5,4,2,9))
grupos <- 3
segmentos<- kmeans(df, grupos)
segmentos
## K-means clustering with 3 clusters of sizes 3, 3, 2
##
## Cluster means:
## x y
## 1 7.000000 4.333333
## 2 3.666667 9.000000
## 3 1.500000 3.500000
##
## Clustering vector:
## [1] 2 3 1 2 1 1 3 2
##
## Within cluster sum of squares by cluster:
## [1] 2.666667 6.666667 5.000000
## (between_SS / total_SS = 85.8 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"
asignacion<-cbind(df, cluster = segmentos$cluster)
asignacion
## x y cluster
## 1 2 10 2
## 2 2 5 3
## 3 8 4 1
## 4 5 8 2
## 5 7 5 1
## 6 6 4 1
## 7 1 2 3
## 8 4 9 2
fviz_cluster(segmentos, data=df)
# La cantidad óptima de grupos corresponde al punto más alto
# de la siguiente gráfica:
set.seed(123)
optimizacion<- clusGap(df, FUN=kmeans, nstart=1, K.max = 7)
plot(optimizacion, xlab="Número de clusters k")
La segmentación o clusters es un algorítmo útil para las empresas que desean clasificar sus clientes y dirigir campañas de marketing más enfocadas y especializadas.
La base de datos “USArrest” contiene etadísticas en arrestos por cada 100,000 residentes por agresión, asesinatos y violación en cada uno de los 50 estados de EE.UU. en 1973. A continuación se presenta un proceso de clustering (segmentación) con el fin de obtener información relevante para el departamento de seguridad de EE.UU.
#install.packages("cluster")
library(cluster)
#install.packages("ggplot2")
library(ggplot2)
#install.packages("data.table")
library(data.table)
#install.packages("factoextra")
library(factoextra)
#install.packages("maps")
library(maps)
##
## Attaching package: 'maps'
## The following object is masked from 'package:cluster':
##
## votes.repub
#install.packages("tidyverse")
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ lubridate 1.9.3 ✔ tibble 3.2.1
## ✔ purrr 1.0.2 ✔ tidyr 1.3.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::between() masks data.table::between()
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::first() masks data.table::first()
## ✖ lubridate::hour() masks data.table::hour()
## ✖ lubridate::isoweek() masks data.table::isoweek()
## ✖ dplyr::lag() masks stats::lag()
## ✖ dplyr::last() masks data.table::last()
## ✖ purrr::map() masks maps::map()
## ✖ lubridate::mday() masks data.table::mday()
## ✖ lubridate::minute() masks data.table::minute()
## ✖ lubridate::month() masks data.table::month()
## ✖ lubridate::quarter() masks data.table::quarter()
## ✖ lubridate::second() masks data.table::second()
## ✖ purrr::transpose() masks data.table::transpose()
## ✖ lubridate::wday() masks data.table::wday()
## ✖ lubridate::week() masks data.table::week()
## ✖ lubridate::yday() masks data.table::yday()
## ✖ lubridate::year() masks data.table::year()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
#install.packages("tibble")
library(tibble)
#install.packages("dplyr")
library(dplyr)
USArrests
## Murder Assault UrbanPop Rape
## Alabama 13.2 236 58 21.2
## Alaska 10.0 263 48 44.5
## Arizona 8.1 294 80 31.0
## Arkansas 8.8 190 50 19.5
## California 9.0 276 91 40.6
## Colorado 7.9 204 78 38.7
## Connecticut 3.3 110 77 11.1
## Delaware 5.9 238 72 15.8
## Florida 15.4 335 80 31.9
## Georgia 17.4 211 60 25.8
## Hawaii 5.3 46 83 20.2
## Idaho 2.6 120 54 14.2
## Illinois 10.4 249 83 24.0
## Indiana 7.2 113 65 21.0
## Iowa 2.2 56 57 11.3
## Kansas 6.0 115 66 18.0
## Kentucky 9.7 109 52 16.3
## Louisiana 15.4 249 66 22.2
## Maine 2.1 83 51 7.8
## Maryland 11.3 300 67 27.8
## Massachusetts 4.4 149 85 16.3
## Michigan 12.1 255 74 35.1
## Minnesota 2.7 72 66 14.9
## Mississippi 16.1 259 44 17.1
## Missouri 9.0 178 70 28.2
## Montana 6.0 109 53 16.4
## Nebraska 4.3 102 62 16.5
## Nevada 12.2 252 81 46.0
## New Hampshire 2.1 57 56 9.5
## New Jersey 7.4 159 89 18.8
## New Mexico 11.4 285 70 32.1
## New York 11.1 254 86 26.1
## North Carolina 13.0 337 45 16.1
## North Dakota 0.8 45 44 7.3
## Ohio 7.3 120 75 21.4
## Oklahoma 6.6 151 68 20.0
## Oregon 4.9 159 67 29.3
## Pennsylvania 6.3 106 72 14.9
## Rhode Island 3.4 174 87 8.3
## South Carolina 14.4 279 48 22.5
## South Dakota 3.8 86 45 12.8
## Tennessee 13.2 188 59 26.9
## Texas 12.7 201 80 25.5
## Utah 3.2 120 80 22.9
## Vermont 2.2 48 32 11.2
## Virginia 8.5 156 63 20.7
## Washington 4.0 145 73 26.2
## West Virginia 5.7 81 39 9.3
## Wisconsin 2.6 53 66 10.8
## Wyoming 6.8 161 60 15.6
df_act<- USArrests
head(df_act)
## Murder Assault UrbanPop Rape
## Alabama 13.2 236 58 21.2
## Alaska 10.0 263 48 44.5
## Arizona 8.1 294 80 31.0
## Arkansas 8.8 190 50 19.5
## California 9.0 276 91 40.6
## Colorado 7.9 204 78 38.7
summary(df_act)
## Murder Assault UrbanPop Rape
## Min. : 0.800 Min. : 45.0 Min. :32.00 Min. : 7.30
## 1st Qu.: 4.075 1st Qu.:109.0 1st Qu.:54.50 1st Qu.:15.07
## Median : 7.250 Median :159.0 Median :66.00 Median :20.10
## Mean : 7.788 Mean :170.8 Mean :65.54 Mean :21.23
## 3rd Qu.:11.250 3rd Qu.:249.0 3rd Qu.:77.75 3rd Qu.:26.18
## Max. :17.400 Max. :337.0 Max. :91.00 Max. :46.00
df_scale_act <- scale(df_act)
set.seed(123)
optimizacion <- clusGap(df_act, FUN= kmeans, nstart=1, K.max = 8)
plot(optimizacion, xlab="Número de clusters k")
grupos_act <- 4
segmentos_act <- kmeans(df_act, grupos_act)
segmentos_act
## K-means clustering with 4 clusters of sizes 18, 12, 13, 7
##
## Cluster means:
## Murder Assault UrbanPop Rape
## 1 4.161111 83.94444 57.77778 13.52778
## 2 12.033333 239.25000 69.16667 28.50000
## 3 6.730769 157.69231 71.23077 21.08462
## 4 11.800000 300.85714 68.71429 28.85714
##
## Clustering vector:
## Alabama Alaska Arizona Arkansas California
## 2 2 4 3 4
## Colorado Connecticut Delaware Florida Georgia
## 2 1 2 4 2
## Hawaii Idaho Illinois Indiana Iowa
## 1 1 2 1 1
## Kansas Kentucky Louisiana Maine Maryland
## 1 1 2 1 4
## Massachusetts Michigan Minnesota Mississippi Missouri
## 3 2 1 2 3
## Montana Nebraska Nevada New Hampshire New Jersey
## 1 1 2 1 3
## New Mexico New York North Carolina North Dakota Ohio
## 4 2 4 1 3
## Oklahoma Oregon Pennsylvania Rhode Island South Carolina
## 3 3 1 3 4
## South Dakota Tennessee Texas Utah Vermont
## 1 3 2 3 1
## Virginia Washington West Virginia Wisconsin Wyoming
## 3 3 1 1 3
##
## Within cluster sum of squares by cluster:
## [1] 16065.634 8687.183 7955.062 6023.923
## (between_SS / total_SS = 89.1 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"
asignacion_act <- cbind(cluster = segmentos_act$cluster, df_act)
head(asignacion_act)
## cluster Murder Assault UrbanPop Rape
## Alabama 2 13.2 236 58 21.2
## Alaska 2 10.0 263 48 44.5
## Arizona 4 8.1 294 80 31.0
## Arkansas 3 8.8 190 50 19.5
## California 4 9.0 276 91 40.6
## Colorado 2 7.9 204 78 38.7
fviz_cluster(segmentos_act, data = df_act)
prom_act <- aggregate(asignacion_act, by= list(asignacion_act$cluster), FUN=mean)
head(prom_act)
## Group.1 cluster Murder Assault UrbanPop Rape
## 1 1 1 4.161111 83.94444 57.77778 13.52778
## 2 2 2 12.033333 239.25000 69.16667 28.50000
## 3 3 3 6.730769 157.69231 71.23077 21.08462
## 4 4 4 11.800000 300.85714 68.71429 28.85714
USArrests_act <- rownames_to_column(asignacion_act, "State")
head(USArrests_act)
## State cluster Murder Assault UrbanPop Rape
## 1 Alabama 2 13.2 236 58 21.2
## 2 Alaska 2 10.0 263 48 44.5
## 3 Arizona 4 8.1 294 80 31.0
## 4 Arkansas 3 8.8 190 50 19.5
## 5 California 4 9.0 276 91 40.6
## 6 Colorado 2 7.9 204 78 38.7
asignacion_act <- cbind(cluster = segmentos_act$cluster, df_act)
head(asignacion_act)
## cluster Murder Assault UrbanPop Rape
## Alabama 2 13.2 236 58 21.2
## Alaska 2 10.0 263 48 44.5
## Arizona 4 8.1 294 80 31.0
## Arkansas 3 8.8 190 50 19.5
## California 4 9.0 276 91 40.6
## Colorado 2 7.9 204 78 38.7
library(tibble)
library(maps)
library(mapproj)
library(tidyverse)
#asignacion_act <- rownames_to_column(asignacion_act, var = "region")
#asignacion_act$region <- tolower(asignacion_act$region)
head(asignacion_act)
## cluster Murder Assault UrbanPop Rape
## Alabama 2 13.2 236 58 21.2
## Alaska 2 10.0 263 48 44.5
## Arizona 4 8.1 294 80 31.0
## Arkansas 3 8.8 190 50 19.5
## California 4 9.0 276 91 40.6
## Colorado 2 7.9 204 78 38.7
#Obtener la data de los estados y nuestros grupos de arrestos
estados <- map_data("state")
arrestos <- asignacion_act
#Ajustarlos para que coincidan
names(arrestos) <- tolower(names(arrestos))
arrestos$region <- tolower(rownames(asignacion_act))
head(estados)
## long lat group order region subregion
## 1 -87.46201 30.38968 1 1 alabama <NA>
## 2 -87.48493 30.37249 1 2 alabama <NA>
## 3 -87.52503 30.37249 1 3 alabama <NA>
## 4 -87.53076 30.33239 1 4 alabama <NA>
## 5 -87.57087 30.32665 1 5 alabama <NA>
## 6 -87.58806 30.32665 1 6 alabama <NA>
head(arrestos)
## cluster murder assault urbanpop rape region
## Alabama 2 13.2 236 58 21.2 alabama
## Alaska 2 10.0 263 48 44.5 alaska
## Arizona 4 8.1 294 80 31.0 arizona
## Arkansas 3 8.8 190 50 19.5 arkansas
## California 4 9.0 276 91 40.6 california
## Colorado 2 7.9 204 78 38.7 colorado
#Merge y ordenamos
arrests.geo <- merge(arrestos,estados, sort=FALSE, by="region")
arrests.geo <- arrests.geo[order(arrests.geo$order),]
head(arrests.geo)
## region cluster murder assault urbanpop rape long lat group order
## 1 alabama 2 13.2 236 58 21.2 -87.46201 30.38968 1 1
## 2 alabama 2 13.2 236 58 21.2 -87.48493 30.37249 1 2
## 6 alabama 2 13.2 236 58 21.2 -87.52503 30.37249 1 3
## 7 alabama 2 13.2 236 58 21.2 -87.53076 30.33239 1 4
## 8 alabama 2 13.2 236 58 21.2 -87.57087 30.32665 1 5
## 9 alabama 2 13.2 236 58 21.2 -87.58806 30.32665 1 6
## subregion
## 1 <NA>
## 2 <NA>
## 6 <NA>
## 7 <NA>
## 8 <NA>
## 9 <NA>
arrests.geo$cluster <- as.factor(arrests.geo$cluster)
head(arrests.geo)
## region cluster murder assault urbanpop rape long lat group order
## 1 alabama 2 13.2 236 58 21.2 -87.46201 30.38968 1 1
## 2 alabama 2 13.2 236 58 21.2 -87.48493 30.37249 1 2
## 6 alabama 2 13.2 236 58 21.2 -87.52503 30.37249 1 3
## 7 alabama 2 13.2 236 58 21.2 -87.53076 30.33239 1 4
## 8 alabama 2 13.2 236 58 21.2 -87.57087 30.32665 1 5
## 9 alabama 2 13.2 236 58 21.2 -87.58806 30.32665 1 6
## subregion
## 1 <NA>
## 2 <NA>
## 6 <NA>
## 7 <NA>
## 8 <NA>
## 9 <NA>
#plot
ggplot(arrests.geo, aes(long, lat)) +
geom_polygon(aes(group = group, fill = cluster)) +
coord_map() +
scale_fill_manual(values = c("1" = "green", "2" = "yellow", "3" = "orange", "4" = "red"),
labels = c("Más Seguros", "Mayormente Seguros", "Mayormente Inseguros", "Más Inseguros"))
Después de analizar los datos de los diferentes clusters de arrestos en los estados de EE. UU., se observa lo siguiente:
Cluster 1 (Más Seguros): Este grupo muestra estados con tasas relativamente bajas de asesinatos, asaltos y violaciones. Tienen una población urbana moderada y una tasa de violación más baja en comparación con los otros clusters. Incluye estados como Maine, Iowa, y Vermont.
Cluster 2 (Mayormente Seguros): Los estados en este grupo tienen tasas más altas de asaltos y violaciones en comparación con el Cluster 1, pero aún muestran tasas relativamente bajas de asesinatos. Incluye estados como Hawaii, Idaho y Minnesota.
Cluster 3 (Mayormente Inseguros): Este cluster presenta estados con tasas más altas de asesinatos, asaltos y violaciones en comparación con los dos clusters anteriores. Tienen una población urbana moderada a alta. Incluye estados como Michigan, Ohio y Washington.
Cluster 4 (Más Inseguros): Este grupo muestra los estados con las tasas más altas de asesinatos, asaltos y violaciones. También tienen la población urbana más alta en comparación con los otros clusters. Incluye estados como Florida, Maryland y California.
Esta segmentación proporciona información valiosa sobre cómo se distribuyen las tasas de criminalidad en los diferentes estados de USA, lo que puede ser útil para implementar políticas y estrategias de seguridad pública a nivel estatal y federal.
Información sobre la creación del mapa: Video de Youtube