大数据分析与可视化的实现——基于R语言的研究学习
five
2016年6月21日
历时一学期的大数据学习接近尾声，在这次的项目学习过程中，我们小组组内团结互助，共同面对挑战，每个人不仅学到了很多知识，而且也加深了我们同学之间的友谊，收获颇多。在这里，首先要感谢老师的精心教导，还要感谢团队同学的理解、支持和陪伴。
天气数据分析与可视化的实现
1.对数据框mydatafram0中的属性AQI进行直方图分析
由图可知，西安地区的AQI值主要分布在50~100
2.对数据框mydatafram0中的属性PM2.5和日期进行散点图分析
3.对数据框mydatafram0中的属性PM2.5和PM10分别进行折线分析
由图可知PM2.5和PM10成线性关系,即PM2.5越高时PM10也越高
4.对数据框mydatafram0中的属性weather进行柱状图分析
5.对数据框mydatafram0中的属性qua进行饼图分析
由图可知西安空气质量为良的天数最多，但不同程度的污染较为严重，质量等级为优的天数较少。
6.对数据框mydatafram0中的属性AQI,PM2.5进行箱线图分析
7.对数据框mydatafram0中的属性date,AQI,PM2.5进行星相图分析
(1) 每个观测单位的数值表示为一个图形
(2) 每个图的每个角表示一个变量，字符串类型会标注在图的下方
(3) 角线的长度表达值的大小
8.对数据框mydatafram0中的属性AQI,PM2.5,PM10进行三维散点图分析
PM2.5和PM10的值越高，AQI的值越高，空气质量越差，印证了AQI的计算方式
9.对数据框mydatafram0中的属性qua进行三维饼状图分析
10.对数据框mydatafram0中的属性wind和qua进行关联分析
##
## Attaching package: 'arules'## The following objects are masked from 'package:base':
##
## abbreviate, write## Apriori
##
## Parameter specification:
## confidence minval smax arem aval originalSupport support minlen maxlen
## 0.5 0.1 1 none FALSE TRUE 0.005 1 10
## target ext
## rules FALSE
##
## Algorithmic control:
## filter tree heap memopt load sort verbose
## 0.1 TRUE TRUE FALSE TRUE 2 TRUE
##
## Absolute minimum support count: 0## Warning in apriori(windqua, parameter = list(support = 0.005, confidence = 0.5)): You chose a very low absolute support count of 0. You might run out of memory! Increase minimum support.## set item appearances ...[0 item(s)] done [0.00s].
## set transactions ...[40 item(s), 175 transaction(s)] done [0.00s].
## sorting and recoding items ... [40 item(s)] done [0.00s].
## creating transaction tree ... done [0.00s].
## checking subsets of size 1 2 done [0.00s].
## writing ... [27 rule(s)] done [0.00s].
## creating S4 object ... done [0.00s].显示rules0中生成关联规则条数
## set of 27 rules## [1] "LC_COLLATE=English_United States.1252;LC_CTYPE=English_United States.1252;LC_MONETARY=English_United States.1252;LC_NUMERIC=C;LC_TIME=English_United States.1252"查看生成的关联规则
## lhs rhs support confidence lift
## 1 {mydatafram0.wind=ÎÞ³ÖÐø·çÏò ¡Ü3¼¶ /¶«±±·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.005714286 1.0000000 2.464789
## 2 {mydatafram0.wind=±±·ç 4-5¼¶ /±±·ç 3-4¼¶} => {mydatafram0.qua=Á¼} 0.005714286 1.0000000 2.464789
## 3 {mydatafram0.wind=Î÷·ç ¡Ü3¼¶ /±±·ç 3-4¼¶} => {mydatafram0.qua=Á¼} 0.005714286 1.0000000 2.464789
## 4 {mydatafram0.wind=Î÷ÄÏ·ç ¡Ü3¼¶ /Î÷·ç ¡Ü3¼¶} => {mydatafram0.qua=Çá¶ÈÎÛȾ} 0.005714286 1.0000000 3.888889
## 5 {mydatafram0.wind=ÄÏ·ç ¡Ü3¼¶ /¶«±±·ç ¡Ü3¼¶} => {mydatafram0.qua=Çá¶ÈÎÛȾ} 0.005714286 1.0000000 3.888889
## 6 {mydatafram0.wind=±±·ç ¡Ü3¼¶ /Î÷±±·ç ¡Ü3¼¶} => {mydatafram0.qua=ÖضÈÎÛȾ} 0.005714286 1.0000000 15.909091
## 7 {mydatafram0.wind=Î÷ÄÏ·ç ¡Ü3¼¶ /Î÷±±·ç ¡Ü3¼¶} => {mydatafram0.qua=ÓÅ} 0.005714286 1.0000000 21.875000
## 8 {mydatafram0.wind=±±·ç 3-4¼¶ /Î÷±±·ç 3-4¼¶} => {mydatafram0.qua=Á¼} 0.005714286 1.0000000 2.464789
## 9 {mydatafram0.wind=¶«·ç ¡Ü3¼¶ /±±·ç ¡Ü3¼¶} => {mydatafram0.qua=Çá¶ÈÎÛȾ} 0.005714286 1.0000000 3.888889
## 10 {mydatafram0.wind=Î÷·ç ¡Ü3¼¶ /Î÷±±·ç 3-4¼¶} => {mydatafram0.qua=ÖضÈÎÛȾ} 0.005714286 1.0000000 15.909091
## 11 {mydatafram0.wind=Î÷·ç ¡Ü3¼¶ /Î÷ÄÏ·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.005714286 1.0000000 2.464789
## 12 {mydatafram0.wind=¶«·ç ¡Ü3¼¶ /Î÷·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.005714286 1.0000000 2.464789
## 13 {mydatafram0.wind=Î÷·ç ¡Ü3¼¶ /¶«·ç ¡Ü3¼¶} => {mydatafram0.qua=Çá¶ÈÎÛȾ} 0.005714286 1.0000000 3.888889
## 14 {mydatafram0.wind=¶«·ç ¡Ü3¼¶ /ÄÏ·ç ¡Ü3¼¶} => {mydatafram0.qua=Çá¶ÈÎÛȾ} 0.005714286 1.0000000 3.888889
## 15 {mydatafram0.wind=±±·ç ¡Ü3¼¶ /±±·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.005714286 1.0000000 2.464789
## 16 {mydatafram0.wind=±±·ç ¡Ü3¼¶ /¶«±±·ç ¡Ü3¼¶} => {mydatafram0.qua=ÖжÈÎÛȾ} 0.005714286 1.0000000 5.833333
## 17 {mydatafram0.wind=ÄÏ·ç ¡Ü3¼¶ /ÄÏ·ç ¡Ü3¼¶} => {mydatafram0.qua=Çá¶ÈÎÛȾ} 0.011428571 1.0000000 3.888889
## 18 {mydatafram0.wind=Î÷±±·ç ¡Ü3¼¶ /Î÷·ç ¡Ü3¼¶} => {mydatafram0.qua=ÑÏÖØÎÛȾ} 0.005714286 0.5000000 8.750000
## 19 {mydatafram0.wind=Î÷±±·ç ¡Ü3¼¶ /Î÷·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.005714286 0.5000000 1.232394
## 20 {mydatafram0.wind=Î÷·ç ¡Ü3¼¶ /¶«±±·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.011428571 1.0000000 2.464789
## 21 {mydatafram0.wind=Î÷·ç ¡Ü3¼¶ /Î÷·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.011428571 0.6666667 1.643192
## 22 {mydatafram0.wind=¶«±±·ç ¡Ü3¼¶ /Î÷±±·ç ¡Ü3¼¶} => {mydatafram0.qua=ÖжÈÎÛȾ} 0.011428571 0.5000000 2.916667
## 23 {mydatafram0.wind=¶«±±·ç ¡Ü3¼¶ /Î÷±±·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.011428571 0.5000000 1.232394
## 24 {mydatafram0.wind=¶«·ç ¡Ü3¼¶ /Î÷ÄÏ·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.017142857 0.7500000 1.848592
## 25 {mydatafram0.wind=Î÷±±·ç ¡Ü3¼¶ /¶«±±·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.034285714 1.0000000 2.464789
## 26 {mydatafram0.qua=ÑÏÖØÎÛȾ} => {mydatafram0.wind=¶«±±·ç ¡Ü3¼¶ /¶«±±·ç ¡Ü3¼¶} 0.034285714 0.6000000 1.981132
## 27 {mydatafram0.wind=¶«±±·ç ¡Ü3¼¶ /¶«·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.040000000 0.5384615 1.327194改变置信度找出符合条件的关联规则
## Apriori
##
## Parameter specification:
## confidence minval smax arem aval originalSupport support minlen maxlen
## 0.6 0.1 1 none FALSE TRUE 0.005 1 10
## target ext
## rules FALSE
##
## Algorithmic control:
## filter tree heap memopt load sort verbose
## 0.1 TRUE TRUE FALSE TRUE 2 TRUE
##
## Absolute minimum support count: 0## Warning in apriori(windqua, parameter = list(support = 0.005, confidence = 0.6)): You chose a very low absolute support count of 0. You might run out of memory! Increase minimum support.## set item appearances ...[0 item(s)] done [0.00s].
## set transactions ...[40 item(s), 175 transaction(s)] done [0.00s].
## sorting and recoding items ... [40 item(s)] done [0.00s].
## creating transaction tree ... done [0.00s].
## checking subsets of size 1 2 done [0.00s].
## writing ... [22 rule(s)] done [0.00s].
## creating S4 object ... done [0.00s].## set of 22 rules## [1] "LC_COLLATE=English_United States.1252;LC_CTYPE=English_United States.1252;LC_MONETARY=English_United States.1252;LC_NUMERIC=C;LC_TIME=English_United States.1252"## lhs rhs support confidence lift
## 1 {mydatafram0.wind=ÎÞ³ÖÐø·çÏò ¡Ü3¼¶ /¶«±±·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.005714286 1.0000000 2.464789
## 2 {mydatafram0.wind=±±·ç 4-5¼¶ /±±·ç 3-4¼¶} => {mydatafram0.qua=Á¼} 0.005714286 1.0000000 2.464789
## 3 {mydatafram0.wind=Î÷·ç ¡Ü3¼¶ /±±·ç 3-4¼¶} => {mydatafram0.qua=Á¼} 0.005714286 1.0000000 2.464789
## 4 {mydatafram0.wind=Î÷ÄÏ·ç ¡Ü3¼¶ /Î÷·ç ¡Ü3¼¶} => {mydatafram0.qua=Çá¶ÈÎÛȾ} 0.005714286 1.0000000 3.888889
## 5 {mydatafram0.wind=ÄÏ·ç ¡Ü3¼¶ /¶«±±·ç ¡Ü3¼¶} => {mydatafram0.qua=Çá¶ÈÎÛȾ} 0.005714286 1.0000000 3.888889
## 6 {mydatafram0.wind=±±·ç ¡Ü3¼¶ /Î÷±±·ç ¡Ü3¼¶} => {mydatafram0.qua=ÖضÈÎÛȾ} 0.005714286 1.0000000 15.909091
## 7 {mydatafram0.wind=Î÷ÄÏ·ç ¡Ü3¼¶ /Î÷±±·ç ¡Ü3¼¶} => {mydatafram0.qua=ÓÅ} 0.005714286 1.0000000 21.875000
## 8 {mydatafram0.wind=±±·ç 3-4¼¶ /Î÷±±·ç 3-4¼¶} => {mydatafram0.qua=Á¼} 0.005714286 1.0000000 2.464789
## 9 {mydatafram0.wind=¶«·ç ¡Ü3¼¶ /±±·ç ¡Ü3¼¶} => {mydatafram0.qua=Çá¶ÈÎÛȾ} 0.005714286 1.0000000 3.888889
## 10 {mydatafram0.wind=Î÷·ç ¡Ü3¼¶ /Î÷±±·ç 3-4¼¶} => {mydatafram0.qua=ÖضÈÎÛȾ} 0.005714286 1.0000000 15.909091
## 11 {mydatafram0.wind=Î÷·ç ¡Ü3¼¶ /Î÷ÄÏ·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.005714286 1.0000000 2.464789
## 12 {mydatafram0.wind=¶«·ç ¡Ü3¼¶ /Î÷·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.005714286 1.0000000 2.464789
## 13 {mydatafram0.wind=Î÷·ç ¡Ü3¼¶ /¶«·ç ¡Ü3¼¶} => {mydatafram0.qua=Çá¶ÈÎÛȾ} 0.005714286 1.0000000 3.888889
## 14 {mydatafram0.wind=¶«·ç ¡Ü3¼¶ /ÄÏ·ç ¡Ü3¼¶} => {mydatafram0.qua=Çá¶ÈÎÛȾ} 0.005714286 1.0000000 3.888889
## 15 {mydatafram0.wind=±±·ç ¡Ü3¼¶ /±±·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.005714286 1.0000000 2.464789
## 16 {mydatafram0.wind=±±·ç ¡Ü3¼¶ /¶«±±·ç ¡Ü3¼¶} => {mydatafram0.qua=ÖжÈÎÛȾ} 0.005714286 1.0000000 5.833333
## 17 {mydatafram0.wind=ÄÏ·ç ¡Ü3¼¶ /ÄÏ·ç ¡Ü3¼¶} => {mydatafram0.qua=Çá¶ÈÎÛȾ} 0.011428571 1.0000000 3.888889
## 18 {mydatafram0.wind=Î÷·ç ¡Ü3¼¶ /¶«±±·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.011428571 1.0000000 2.464789
## 19 {mydatafram0.wind=Î÷·ç ¡Ü3¼¶ /Î÷·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.011428571 0.6666667 1.643192
## 20 {mydatafram0.wind=¶«·ç ¡Ü3¼¶ /Î÷ÄÏ·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.017142857 0.7500000 1.848592
## 21 {mydatafram0.wind=Î÷±±·ç ¡Ü3¼¶ /¶«±±·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.034285714 1.0000000 2.464789
## 22 {mydatafram0.qua=ÑÏÖØÎÛȾ} => {mydatafram0.wind=¶«±±·ç ¡Ü3¼¶ /¶«±±·ç ¡Ü3¼¶} 0.034285714 0.6000000 1.981132给定置信度阈值0.5，按支持度排序，输出前五条强关联规则
## lhs rhs support confidence lift
## 1 {mydatafram0.wind=¶«±±·ç ¡Ü3¼¶ /¶«·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.04000000 0.5384615 1.327194
## 2 {mydatafram0.wind=Î÷±±·ç ¡Ü3¼¶ /¶«±±·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.03428571 1.0000000 2.464789
## 3 {mydatafram0.qua=ÑÏÖØÎÛȾ} => {mydatafram0.wind=¶«±±·ç ¡Ü3¼¶ /¶«±±·ç ¡Ü3¼¶} 0.03428571 0.6000000 1.981132
## 4 {mydatafram0.wind=¶«·ç ¡Ü3¼¶ /Î÷ÄÏ·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.01714286 0.7500000 1.848592
## 5 {mydatafram0.wind=ÄÏ·ç ¡Ü3¼¶ /ÄÏ·ç ¡Ü3¼¶} => {mydatafram0.qua=Çá¶ÈÎÛȾ} 0.01142857 1.0000000 3.888889给定支持度阈值0.001，按置信度排序，输出前五条强关联规则
## lhs rhs support confidence lift
## 1 {mydatafram0.wind=ÎÞ³ÖÐø·çÏò ¡Ü3¼¶ /¶«±±·ç ¡Ü3¼¶} => {mydatafram0.qua=Á¼} 0.005714286 1 2.464789
## 2 {mydatafram0.wind=±±·ç 4-5¼¶ /±±·ç 3-4¼¶} => {mydatafram0.qua=Á¼} 0.005714286 1 2.464789
## 3 {mydatafram0.wind=Î÷·ç ¡Ü3¼¶ /±±·ç 3-4¼¶} => {mydatafram0.qua=Á¼} 0.005714286 1 2.464789
## 4 {mydatafram0.wind=Î÷ÄÏ·ç ¡Ü3¼¶ /Î÷·ç ¡Ü3¼¶} => {mydatafram0.qua=Çá¶ÈÎÛȾ} 0.005714286 1 3.888889
## 5 {mydatafram0.wind=ÄÏ·ç ¡Ü3¼¶ /¶«±±·ç ¡Ü3¼¶} => {mydatafram0.qua=Çá¶ÈÎÛȾ} 0.005714286 1 3.888889给定支持度阈值为0.001，置信度阈值为0.5，按提升度排序，输出前五条强关联规则
## lhs rhs support confidence lift
## 1 {mydatafram0.wind=Î÷ÄÏ·ç ¡Ü3¼¶ /Î÷±±·ç ¡Ü3¼¶} => {mydatafram0.qua=ÓÅ} 0.005714286 1.0 21.875000
## 2 {mydatafram0.wind=±±·ç ¡Ü3¼¶ /Î÷±±·ç ¡Ü3¼¶} => {mydatafram0.qua=ÖضÈÎÛȾ} 0.005714286 1.0 15.909091
## 3 {mydatafram0.wind=Î÷·ç ¡Ü3¼¶ /Î÷±±·ç 3-4¼¶} => {mydatafram0.qua=ÖضÈÎÛȾ} 0.005714286 1.0 15.909091
## 4 {mydatafram0.wind=Î÷±±·ç ¡Ü3¼¶ /Î÷·ç ¡Ü3¼¶} => {mydatafram0.qua=ÑÏÖØÎÛȾ} 0.005714286 0.5 8.750000
## 5 {mydatafram0.wind=±±·ç ¡Ü3¼¶ /¶«±±·ç ¡Ü3¼¶} => {mydatafram0.qua=ÖжÈÎÛȾ} 0.005714286 1.0 5.83333311.关联规则的可视化
12.对数据框mydatafram0中的属性AQI和PM2.5进行K-均值聚类分析
## [1] 175 3
## K-means clustering with 10 clusters of sizes 27, 17, 18, 12, 22, 20, 12, 16, 11, 20
##
## Cluster means:
## PM2.5 AQI
## 1 44.40741 204.0000
## 2 65.35294 253.3529
## 3 30.77778 117.0556
## 4 32.00000 252.5833
## 5 95.04545 285.0000
## 6 150.00000 329.3000
## 7 119.08333 344.8333
## 8 41.18750 296.0000
## 9 218.90909 335.0000
## 10 76.70000 326.4500
##
## Clustering vector:
## 2016/3/1 2016/3/2 2016/3/3 2016/3/4 2016/3/5 2016/3/6
## 1 1 1 5 2 10
## 2016/3/7 2016/3/8 2016/3/9 2016/3/10 2016/3/11 2016/3/12
## 10 7 10 8 8 7
## 2016/3/13 2016/3/14 2016/3/15 2016/3/16 2016/3/17 2016/3/18
## 2 2 2 6 6 5
## 2016/3/19 2016/3/20 2016/3/21 2016/3/22 2016/3/23 2016/2/1
## 5 10 10 7 7 3
## 2016/2/2 2016/2/3 2016/2/4 2016/2/5 2016/2/6 2016/2/7
## 3 5 5 1 3 3
## 2016/2/8 2016/2/9 2016/2/10 2016/2/11 2016/2/12 2016/2/13
## 9 7 6 6 5 8
## 2016/2/14 2016/2/15 2016/2/16 2016/2/17 2016/2/18 2016/2/19
## 8 8 4 1 8 10
## 2016/2/20 2016/2/21 2016/2/22 2016/2/23 2016/2/24 2016/2/25
## 10 2 5 2 10 5
## 2016/2/26 2016/2/27 2016/2/28 2016/2/29 2016/1/1 2016/1/2
## 4 4 1 3 6 9
## 2016/1/3 2016/1/4 2016/1/5 2016/1/6 2016/1/7 2016/1/8
## 9 9 9 9 6 6
## 2016/1/9 2016/1/10 2016/1/11 2016/1/12 2016/1/13 2016/1/14
## 6 6 7 7 7 1
## 2016/1/15 2016/1/16 2016/1/17 2016/1/18 2016/1/19 2016/1/20
## 1 5 2 1 3 1
## 2016/1/21 2016/1/22 2016/1/23 2016/1/24 2016/1/25 2016/1/26
## 10 1 8 4 1 2
## 2016/1/27 2016/1/28 2016/1/29 2016/1/30 2016/1/31 2015/12/1
## 5 5 6 6 1 5
## 2015/12/2 2015/12/3 2015/12/4 2015/12/5 2015/12/6 2015/12/7
## 8 8 8 5 7 6
## 2015/12/8 2015/12/9 2015/12/10 2015/12/11 2015/12/12 2015/12/13
## 6 9 6 5 2 3
## 2015/12/14 2015/12/15 2015/12/16 2015/12/17 2015/12/18 2015/12/19
## 3 1 4 8 2 5
## 2015/12/20 2015/12/21 2015/12/22 2015/12/23 2015/12/24 2015/12/25
## 6 9 9 9 5 3
## 2015/12/26 2015/12/27 2015/12/28 2015/12/29 2015/12/30 2015/12/31
## 1 10 6 6 5 6
## 2015/11/1 2015/11/2 2015/11/3 2015/11/4 2015/11/5 2015/11/6
## 3 1 2 5 5 3
## 2015/11/7 2015/11/8 2015/11/9 2015/11/10 2015/11/11 2015/11/12
## 3 3 1 2 3 1
## 2015/11/13 2015/11/14 2015/11/15 2015/11/16 2015/11/17 2015/11/18
## 2 2 1 10 10 4
## 2015/11/19 2015/11/20 2015/11/21 2015/11/22 2015/11/23 2015/11/24
## 8 8 1 1 1 3
## 2015/11/25 2015/11/26 2015/11/27 2015/11/28 2015/11/29 2015/11/30
## 1 1 8 7 6 9
## 2015/10/1 2015/10/2 2015/10/3 2015/10/4 2015/10/5 2015/10/6
## 10 8 10 10 10 10
## 2015/10/7 2015/10/8 2015/10/9 2015/10/10 2015/10/11 2015/10/12
## 10 4 4 4 4 4
## 2015/10/13 2015/10/14 2015/10/15 2015/10/16 2015/10/17 2015/10/18
## 10 5 2 5 5 10
## 2015/10/19 2015/10/20 2015/10/21 2015/10/22 2015/10/23 2015/10/24
## 7 6 7 2 1 2
## 2015/10/25 2015/10/26 2015/10/27 2015/10/28 2015/10/29 2015/10/30
## 3 3 1 4 8 1
## 2015/10/31
## 3
##
## Within cluster sum of squares by cluster:
## [1] 13850.519 3517.765 27570.056 3428.917 8774.955 7468.200 3010.583
## [8] 5414.438 9604.909 8783.150
## (between_SS / total_SS = 93.3 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss"
## [5] "tot.withinss" "betweenss" "size" "iter"
## [9] "ifault"## PM2.5 AQI
## 1 44.40741 204.0000
## 2 65.35294 253.3529
## 3 30.77778 117.0556
## 4 32.00000 252.5833
## 5 95.04545 285.0000
## 6 150.00000 329.3000
## 7 119.08333 344.8333
## 8 41.18750 296.0000
## 9 218.90909 335.0000
## 10 76.70000 326.4500## 2016/3/1 2016/3/2 2016/3/3 2016/2/5 2016/2/17 2016/2/28
## 1 2 3 28 40 51
## 2016/1/14 2016/1/15 2016/1/18 2016/1/20 2016/1/22 2016/1/24
## 66 67 70 72 74 76
## 2016/1/25 2016/1/31 2015/12/15 2015/12/16 2015/11/2 2015/11/9
## 77 83 98 99 116 123
## 2015/11/12 2015/11/15 2015/11/21 2015/11/22 2015/11/26 2015/10/10
## 126 129 135 136 140 154
## 2015/10/23 2015/10/27
## 167 171
得到与该点在属性值上较为相似的一类点的位置
## [1] 0.00 0.55 0.75 0.83 0.87 0.88 0.91 0.91 0.93 0.93 0.95 0.95 0.96 0.96
## [15] 0.96 0.97 0.97 0.97 0.97 0.97 0.98 0.98 0.98 0.98 0.98 0.98 0.98 0.98
## [29] 0.98 0.99 0.98 0.98 0.99 0.98 0.98 0.99 0.99 0.99 0.99 0.99 0.99 0.99
## [43] 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99
## [57] 0.99 0.99 0.99 0.99 0.99 1.00 0.99 1.00 1.00 1.00 0.99 1.00 1.00 1.00
## [71] 1.00 1.00 0.99 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
## [85] 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
## [99] 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
## [113] 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
## [127] 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
## [141] 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
## [155] 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
## [169] 1.00 1.00 1.00 1.00 1.00 1.00
通过计算得出将所有数据分为十类时的分类是最优的
## 2016/3/1 2016/3/2 2016/3/3 2016/2/5 2016/2/17 2016/2/28
## 1 2 3 28 40 51
## 2016/1/14 2016/1/15 2016/1/18 2016/1/20 2016/1/22 2016/1/24
## 66 67 70 72 74 76
## 2016/1/25 2016/1/31 2015/12/15 2015/12/16 2015/11/2 2015/11/9
## 77 83 98 99 116 123
## 2015/11/12 2015/11/15 2015/11/21 2015/11/22 2015/11/26 2015/10/10
## 126 129 135 136 140 154
## 2015/10/23 2015/10/27
## 167 171