Clusters

Ejemplos de vinos

<span style=“color: magenta;>Contexto

Estos datos son el resultado de un análisis químico de vinos cultivados en la misma región de Italia pero derivados de tres cultivares diferentes.

El análisis determinó las cantidades de 13 componentes que se encuentran en cada uno de los tres cultivares.

Instalar paquetes y llamar librerías

#install.packages("cluster") #Para agrupar
library(cluster)
#install.packages("ggplot2") #Para graficar
library(ggplot2)
#install.packages("factoextra") #Visualizar clusters
library(factoextra)
#install.packages("data.table") #Conjunto de datos grandes
library(data.table)
#install.packages("tidyverse")
library(tidyverse)

Subir base

datos <- read.csv("C:\\Tec\\6to semestre\\Modulo 2\\wine_dataset.csv")

Verificar datos

summary(datos)

##     alcohol        malic_acid         ash        alcalinity_of_ash
##  Min.   :11.03   Min.   :0.740   Min.   :1.360   Min.   :10.60    
##  1st Qu.:12.36   1st Qu.:1.603   1st Qu.:2.210   1st Qu.:17.20    
##  Median :13.05   Median :1.865   Median :2.360   Median :19.50    
##  Mean   :13.00   Mean   :2.336   Mean   :2.367   Mean   :19.49    
##  3rd Qu.:13.68   3rd Qu.:3.083   3rd Qu.:2.558   3rd Qu.:21.50    
##  Max.   :14.83   Max.   :5.800   Max.   :3.230   Max.   :30.00    
##    magnesium      total_phenols     flavanoids    nonflavanoid_phenols
##  Min.   : 70.00   Min.   :0.980   Min.   :0.340   Min.   :0.1300      
##  1st Qu.: 88.00   1st Qu.:1.742   1st Qu.:1.205   1st Qu.:0.2700      
##  Median : 98.00   Median :2.355   Median :2.135   Median :0.3400      
##  Mean   : 99.74   Mean   :2.295   Mean   :2.029   Mean   :0.3619      
##  3rd Qu.:107.00   3rd Qu.:2.800   3rd Qu.:2.875   3rd Qu.:0.4375      
##  Max.   :162.00   Max.   :3.880   Max.   :5.080   Max.   :0.6600      
##  proanthocyanins color_intensity       hue         od280.od315_of_diluted_wines
##  Min.   :0.410   Min.   : 1.280   Min.   :0.4800   Min.   :1.270               
##  1st Qu.:1.250   1st Qu.: 3.220   1st Qu.:0.7825   1st Qu.:1.938               
##  Median :1.555   Median : 4.690   Median :0.9650   Median :2.780               
##  Mean   :1.591   Mean   : 5.058   Mean   :0.9574   Mean   :2.612               
##  3rd Qu.:1.950   3rd Qu.: 6.200   3rd Qu.:1.1200   3rd Qu.:3.170               
##  Max.   :3.580   Max.   :13.000   Max.   :1.7100   Max.   :4.000               
##     proline           target      
##  Min.   : 278.0   Min.   :0.0000  
##  1st Qu.: 500.5   1st Qu.:0.0000  
##  Median : 673.5   Median :1.0000  
##  Mean   : 746.9   Mean   :0.9382  
##  3rd Qu.: 985.0   3rd Qu.:2.0000  
##  Max.   :1680.0   Max.   :2.0000

Escalar la base

datos_escalados <- scale(datos)
datos_escalados <- subset(datos, select =- target)
datos_escalados <-  scale(datos_escalados)

Generar segmentos

grupos <- 3 # Inicio con cualquier valor, luego verifico
segmentos <- kmeans(datos_escalados, grupos)

Asignar grupos a datos

asignacion <- cbind(datos,  cluster = segmentos$cluster)

Graficar cluster

fviz_cluster(segmentos, data=datos)

Optimizar la cantidad de grupos

# La cantidad optima de grupos corresponde al primer punto mas alto de la grafica
set.seed(123)
optimizacion <- clusGap(datos_escalados, FUN=kmeans, nstart=1, K.max=10)
plot(optimizacion, xlab="Numero de clusters")

Comparar segmentos

promedio <- aggregate(asignacion, by=list(asignacion$cluster),FUN=mean)
promedio

##   Group.1  alcohol malic_acid      ash alcalinity_of_ash magnesium
## 1       1 12.25092   1.897385 2.231231          20.06308  92.73846
## 2       2 13.67677   1.997903 2.466290          17.46290 107.96774
## 3       3 13.13412   3.307255 2.417647          21.24118  98.66667
##   total_phenols flavanoids nonflavanoid_phenols proanthocyanins color_intensity
## 1      2.247692  2.0500000            0.3576923        1.624154        2.973077
## 2      2.847581  3.0032258            0.2920968        1.922097        5.453548
## 3      1.683922  0.8188235            0.4519608        1.145882        7.234706
##         hue od280.od315_of_diluted_wines   proline    target cluster
## 1 1.0627077                     2.803385  510.1692 1.0000000       1
## 2 1.0654839                     3.163387 1100.2258 0.0483871       2
## 3 0.6919608                     1.696667  619.0588 1.9411765       3

table(asignacion$cluster)

## 
##  1  2  3 
## 65 62 51

#Ejercicio Mexico 2024

Instalar paquetes y llamar librerías

#install.packages("sf") #Analisis de datos espaciales
library(sf)
#install.packages("rnaturalearth") #Proporcioa limites geograficos
library(rnaturalearth)
#install.packages("rnaturalearthdata") #Datos de geografia
library(rnaturalearthdata)
#install.packages("devtools")
library(devtools) #Instalar paquetes de fuentes externas
devtools::install_github("ropensci/rnaturalearthhires") #Mapa de Mexico particular

Subir base

datosmex <- read.csv("C:\\Tec\\6to semestre\\Modulo 2\\mexico2024.csv")

colnames(datosmex)[colnames(datosmex) == "Estado"] <- "name"

Escalar la base

datos_escalados_mexico <- datosmex %>% select(name, Población) %>% mutate(Poblacion_escalada = scale(Población))

Generar segmentos

gruposmex <- 4 # Número de clusters inicial
segmentos <- kmeans(datos_escalados_mexico$Poblacion_escalada, gruposmex)

datos_escalados_mexico$cluster <- segmentos$cluster

Obtener mapa de Mexico

mapamex <- ne_states(country="Mexico", returnclass = "sf")

# Unir mapa con datos
clustersmex <- left_join(mapamex, datos_escalados_mexico, by= "name")

# La cantidad optima de grupos corresponde al primer punto mas alto de la grafica
#set.seed(123)
#optimizacionmex <- clusGap(datos_escalados_mexico, FUN=kmeans, nstart=1, K.max=10)
#plot(optimizacionmex, xlab="Numero de clusters")

Mapa

ggplot(clustersmex) +
    geom_sf(aes(fill = as.factor(cluster)), color = "black") +
    scale_fill_manual(values = c("skyblue", "green", "yellow", "orange", "red", "pink")) +
    labs(title = "Clusters de Población por Estados en México") +
   theme_minimal()