cluster en % lite
Variables
merged2 <- merged %>%
remove_rownames %>%
column_to_rownames(var="Nom_Barri") %>%
select("n.tot.V1419","n.esp.V1419","n.ue27.V1419",
"hotel2019",
"alq.num.V1519","alq.pmq.V1519","alq.pm.V1519",
"tot_ann.V1519","ent.V1519","priv.V1519","shared.V1519","pmedio.V1519","pm_ent.V1519",
"RFD.2017",
"tot.comp.V1519","usat.comp.V1519","tot.eur.V1519","usat.eur.V1519","tot.eurm2.V1519",
)Standardizar los datos
df <- scale(merged2)Optimal K Elbow
#elbow (1 option)
set.seed(123)
wss <- function(k) {
kmeans(df, k, nstart = 100 )$tot.withinss
}
k.values <- 1:15
wss_values <- map_dbl(k.values, wss)
plot(k.values, wss_values,
type="b", pch = 19, frame = FALSE,
xlab="Number of clusters K",
ylab="Total within-clusters sum of squares")
#elbow (2 option)
set.seed(123)
fviz_nbclust(df, kmeans, method = "wss")
#Optimal K Average Silhouette Method
avg_sil <- function(k) {
km.res <- kmeans(df, centers = k, nstart = 100)
ss <- silhouette(km.res$cluster, dist(df))
mean(ss[, 3])
}
k.values <- 2:15
avg_sil_values <- map_dbl(k.values, avg_sil)
plot(k.values, avg_sil_values,
type = "b", pch = 19, frame = FALSE,
xlab = "Number of clusters K",
ylab = "Average Silhouettes")
# Silhouette Method 2
fviz_nbclust(df, kmeans, method = "silhouette")
#Optimal K Gap Statistic Method
set.seed(123)
gap_stat <- clusGap(df, FUN = kmeans, nstart = 100, K.max = 10, B = 50)
print(gap_stat, method = "firstmax")## Clustering Gap statistic ["clusGap"] from call:
## clusGap(x = df, FUNcluster = kmeans, K.max = 10, B = 50, nstart = 100)
## B=50 simulated reference sets, k = 1..10; spaceH0="scaledPCA"
## --> Number of clusters (method 'firstmax'): 1
## logW E.logW gap SE.sim
## [1,] 4.610539 5.326039 0.7154999 0.02076777
## [2,] 4.531501 5.203734 0.6722330 0.02009577
## [3,] 4.454856 5.117652 0.6627967 0.01721417
## [4,] 4.382964 5.053982 0.6710185 0.01659167
## [5,] 4.328907 5.001213 0.6723059 0.01498542
## [6,] 4.256248 4.955472 0.6992240 0.01484569
## [7,] 4.217645 4.916434 0.6987886 0.01461005
## [8,] 4.174325 4.880426 0.7061007 0.01480869
## [9,] 4.130014 4.847048 0.7170347 0.01496196
## [10,] 4.089234 4.814741 0.7255075 0.01494351#Optimal K Gap Statistic Method 2
fviz_gap_stat(gap_stat)
#Examinar a los numeros de cluster
k3 <- kmeans(df, centers = 3, nstart = 100)
k4 <- kmeans(df, centers = 4, nstart = 100)
k5 <- kmeans(df, centers = 5, nstart = 100)
k6 <- kmeans(df, centers = 6, nstart = 100)
k7 <- kmeans(df, centers = 7, nstart = 100)
k8 <- kmeans(df, centers = 8, nstart = 100)
k9 <- kmeans(df, centers = 9, nstart = 100)
# plots to compare
p3 <- fviz_cluster(k3, geom = "point", data = df) + ggtitle("k = 3")
p4 <- fviz_cluster(k4, geom = "point", data = df) + ggtitle("k = 4")
p5 <- fviz_cluster(k5, geom = "point", data = df) + ggtitle("k = 5")
p6 <- fviz_cluster(k6, geom = "point", data = df) + ggtitle("k = 6")
p7 <- fviz_cluster(k7, geom = "point", data = df) + ggtitle("k = 7")
p8 <- fviz_cluster(k8, geom = "point", data = df) + ggtitle("k = 8")
p9 <- fviz_cluster(k9, geom = "point", data = df) + ggtitle("k = 9")
grid.arrange(p3, nrow = 1)
grid.arrange(p4, p5, nrow = 1)
grid.arrange(p6, p7, nrow = 1)
grid.arrange(p8, p9, nrow = 1)
K means
for (i in 3:5)
{
finalK <- kmeans(df, centers = i, nstart = 100)
#print
print(finalK)
}## K-means clustering with 3 clusters of sizes 19, 46, 8
##
## Cluster means:
## n.tot.V1419 n.esp.V1419 n.ue27.V1419 hotel2019 alq.num.V1519 alq.pmq.V1519
## 1 -0.2057338 -0.08801494 -0.19582276 -0.3531142 -0.46521737 0.3610643
## 2 -0.1306014 -0.15312551 -0.08967284 0.2290616 0.06803908 0.2519388
## 3 1.2395757 1.08950716 0.98069790 -0.4784579 0.71366658 -2.3061759
## alq.pm.V1519 tot_ann.V1519 ent.V1519 priv.V1519 shared.V1519 pmedio.V1519
## 1 0.2749311 0.9635255 0.6980150 0.7304444 -0.2451888 -0.35962781
## 2 0.2684673 -0.2825856 -0.1565626 -0.2350451 0.1513337 0.07299698
## 3 -2.1966484 -0.6635060 -0.7575505 -0.3832961 -0.2878456 0.43438342
## pm_ent.V1519 RFD.2017 tot.comp.V1519 usat.comp.V1519 tot.eur.V1519
## 1 -0.28067569 -0.6144944 0.96929160 0.83757206 0.9114548
## 2 0.13034851 0.3616030 -0.40363492 -0.33893983 -0.1909224
## 3 -0.08289918 -0.6197933 0.01883324 -0.04032963 -1.0669013
## usat.eur.V1519 tot.eurm2.V1519
## 1 0.8616022 0.62534989
## 2 -0.1862966 -0.05746573
## 3 -0.9750998 -1.15477806
##
## Clustering vector:
## el Raval
## 2
## el Barri Gòtic
## 2
## la Barceloneta
## 2
## Sant Pere, Santa Caterina i la Ribera
## 2
## el Fort Pienc
## 2
## la Sagrada Família
## 2
## la Dreta de l'Eixample
## 2
## l'Antiga Esquerra de l'Eixample
## 2
## la Nova Esquerra de l'Eixample
## 2
## Sant Antoni
## 2
## el Poble Sec
## 1
## la Marina del Prat Vermell
## 3
## la Marina de Port
## 1
## la Font de la Guatlla
## 1
## Hostafrancs
## 1
## la Bordeta
## 1
## Sants - Badal
## 2
## Sants
## 2
## les Corts
## 2
## la Maternitat i Sant Ramon
## 2
## Pedralbes
## 2
## Vallvidrera, el Tibidabo i les Planes
## 3
## Sarrià
## 2
## les Tres Torres
## 2
## Sant Gervasi - la Bonanova
## 2
## Sant Gervasi - Galvany
## 2
## el Putxet i el Farró
## 2
## Vallcarca i els Penitents
## 2
## el Coll
## 2
## la Salut
## 2
## la Vila de Gràcia
## 2
## el Camp d'en Grassot i Gràcia Nova
## 2
## el Baix Guinardó
## 2
## Can Baró
## 2
## el Guinardó
## 2
## la Font d'en Fargues
## 2
## el Carmel
## 1
## la Teixonera
## 1
## Sant Genís dels Agudells
## 1
## Montbau
## 1
## la Vall d'Hebron
## 2
## la Clota
## 3
## Horta
## 1
## Vilapicina i la Torre Llobeta
## 2
## Porta
## 1
## el Turó de la Peira
## 1
## Can Peguera
## 3
## la Guineueta
## 2
## Canyelles
## 3
## les Roquetes
## 1
## Verdun
## 2
## la Prosperitat
## 2
## la Trinitat Nova
## 1
## Torre Baró
## 3
## Ciutat Meridiana
## 1
## Vallbona
## 3
## la Trinitat Vella
## 1
## Baró de Viver
## 3
## el Bon Pastor
## 1
## Sant Andreu
## 2
## la Sagrera
## 2
## el Congrés i els Indians
## 1
## Navas
## 2
## el Camp de l'Arpa del Clot
## 2
## el Clot
## 2
## el Parc i la Llacuna del Poblenou
## 2
## la Vila Olímpica del Poblenou
## 2
## el Poblenou
## 2
## Diagonal Mar i el Front Marítim del Poblenou
## 2
## el Besòs i el Maresme
## 2
## Provençals del Poblenou
## 2
## Sant Martí de Provençals
## 2
## la Verneda i la Pau
## 1
##
## Within cluster sum of squares by cluster:
## [1] 312.2099 480.1119 244.5400
## (between_SS / total_SS = 24.2 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"
## K-means clustering with 4 clusters of sizes 5, 8, 51, 9
##
## Cluster means:
## n.tot.V1419 n.esp.V1419 n.ue27.V1419 hotel2019 alq.num.V1519 alq.pmq.V1519
## 1 -0.4105844 -0.17307972 -0.3627319 -0.5214989 -0.61115574 0.2999935
## 2 1.2395757 1.08950716 0.9806979 -0.4784579 0.71366658 -2.3061759
## 3 -0.0419127 -0.00592637 -0.0423587 -0.2431746 -0.05983749 0.2905458
## 4 -0.6362373 -0.83871264 -0.4301811 2.0930067 0.04423980 0.2368450
## alq.pm.V1519 tot_ann.V1519 ent.V1519 priv.V1519 shared.V1519 pmedio.V1519
## 1 0.4398503 2.8464356 1.94616216 2.4750186 -0.2451888 -0.4483805
## 2 -2.1966484 -0.6635060 -0.75755055 -0.3832961 -0.2878456 0.4343834
## 3 0.2142828 -0.1069230 -0.04480413 -0.1160114 -0.2338137 -0.3090965
## 4 0.4939461 -0.3856732 -0.15393286 -0.3769045 1.7170229 1.6145284
## pm_ent.V1519 RFD.2017 tot.comp.V1519 usat.comp.V1519 tot.eur.V1519
## 1 0.03873398 -0.8665752 1.60234558 1.75284607 1.17684295
## 2 -0.08289918 -0.6197933 0.01883324 -0.04032963 -1.06690132
## 3 -0.12424225 0.1182019 -0.07084936 -0.07942434 -0.06035493
## 4 0.75620869 0.3625475 -0.50545296 -0.48788354 0.63656635
## usat.eur.V1519 tot.eurm2.V1519
## 1 1.29966345 0.71047587
## 2 -0.97509979 -1.15477806
## 3 -0.07564961 -0.02761248
## 4 0.57340124 0.78823131
##
## Clustering vector:
## el Raval
## 4
## el Barri Gòtic
## 4
## la Barceloneta
## 3
## Sant Pere, Santa Caterina i la Ribera
## 4
## el Fort Pienc
## 3
## la Sagrada Família
## 4
## la Dreta de l'Eixample
## 4
## l'Antiga Esquerra de l'Eixample
## 4
## la Nova Esquerra de l'Eixample
## 3
## Sant Antoni
## 4
## el Poble Sec
## 4
## la Marina del Prat Vermell
## 2
## la Marina de Port
## 3
## la Font de la Guatlla
## 3
## Hostafrancs
## 3
## la Bordeta
## 3
## Sants - Badal
## 3
## Sants
## 3
## les Corts
## 3
## la Maternitat i Sant Ramon
## 3
## Pedralbes
## 3
## Vallvidrera, el Tibidabo i les Planes
## 2
## Sarrià
## 3
## les Tres Torres
## 3
## Sant Gervasi - la Bonanova
## 3
## Sant Gervasi - Galvany
## 3
## el Putxet i el Farró
## 3
## Vallcarca i els Penitents
## 3
## el Coll
## 3
## la Salut
## 3
## la Vila de Gràcia
## 4
## el Camp d'en Grassot i Gràcia Nova
## 3
## el Baix Guinardó
## 3
## Can Baró
## 3
## el Guinardó
## 3
## la Font d'en Fargues
## 3
## el Carmel
## 1
## la Teixonera
## 3
## Sant Genís dels Agudells
## 1
## Montbau
## 3
## la Vall d'Hebron
## 3
## la Clota
## 2
## Horta
## 3
## Vilapicina i la Torre Llobeta
## 3
## Porta
## 3
## el Turó de la Peira
## 3
## Can Peguera
## 2
## la Guineueta
## 3
## Canyelles
## 2
## les Roquetes
## 1
## Verdun
## 3
## la Prosperitat
## 3
## la Trinitat Nova
## 1
## Torre Baró
## 2
## Ciutat Meridiana
## 3
## Vallbona
## 2
## la Trinitat Vella
## 1
## Baró de Viver
## 2
## el Bon Pastor
## 3
## Sant Andreu
## 3
## la Sagrera
## 3
## el Congrés i els Indians
## 3
## Navas
## 3
## el Camp de l'Arpa del Clot
## 3
## el Clot
## 3
## el Parc i la Llacuna del Poblenou
## 3
## la Vila Olímpica del Poblenou
## 3
## el Poblenou
## 3
## Diagonal Mar i el Front Marítim del Poblenou
## 3
## el Besòs i el Maresme
## 3
## Provençals del Poblenou
## 3
## Sant Martí de Provençals
## 3
## la Verneda i la Pau
## 3
##
## Within cluster sum of squares by cluster:
## [1] 123.9226 244.5400 396.9172 145.3292
## (between_SS / total_SS = 33.4 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"
## K-means clustering with 5 clusters of sizes 13, 7, 8, 44, 1
##
## Cluster means:
## n.tot.V1419 n.esp.V1419 n.ue27.V1419 hotel2019 alq.num.V1519 alq.pmq.V1519
## 1 -0.333233504 -0.2142491 -0.30622969 -0.2814549 -0.45601578 -0.01912597
## 2 0.749316153 0.2339863 0.05215582 -0.4870544 0.86718244 -2.31217776
## 3 -0.678572942 -0.8232848 -0.41300987 2.1922230 0.11771774 0.22845510
## 4 -0.003545151 0.0148968 -0.01273905 -0.2284365 -0.01642885 0.38341827
## 5 4.671392665 7.0781531 7.48049249 -0.4182822 -0.36094450 -2.26416259
## alq.pm.V1519 tot_ann.V1519 ent.V1519 priv.V1519 shared.V1519 pmedio.V1519
## 1 0.09135285 1.2597162 0.9089623 1.0059922 -0.2451888 -0.3383576
## 2 -2.19496231 -0.5684428 -0.6239732 -0.2856289 -0.2939394 0.5604926
## 3 0.43608319 -0.3950877 -0.1639396 -0.3937282 1.9622994 1.7488493
## 4 0.29311214 -0.1797173 -0.1010134 -0.1559478 -0.2320040 -0.2969821
## 5 -2.20845077 -1.3289490 -1.6925918 -1.0669666 -0.2451888 -0.4483805
## pm_ent.V1519 RFD.2017 tot.comp.V1519 usat.comp.V1519 tot.eur.V1519
## 1 -0.11606404 -0.63888460 1.0959222 0.9625912 1.2669916
## 2 0.15597456 -0.70776247 0.1399880 0.0716077 -1.2501726
## 3 0.82008964 0.44143916 -0.5343425 -0.5107326 0.1870872
## 4 -0.09974298 0.22118939 -0.2300662 -0.1842088 -0.2143722
## 5 -1.75501535 -0.00400922 -0.8292500 -0.8238909 0.2159977
## usat.eur.V1519 tot.eurm2.V1519
## 1 1.2950347 0.71096160
## 2 -1.1824273 -1.38316602
## 3 0.1172746 0.40506209
## 4 -0.2266557 -0.07374484
## 5 0.4761929 0.44393762
##
## Clustering vector:
## el Raval
## 3
## el Barri Gòtic
## 3
## la Barceloneta
## 4
## Sant Pere, Santa Caterina i la Ribera
## 3
## el Fort Pienc
## 4
## la Sagrada Família
## 3
## la Dreta de l'Eixample
## 3
## l'Antiga Esquerra de l'Eixample
## 3
## la Nova Esquerra de l'Eixample
## 4
## Sant Antoni
## 3
## el Poble Sec
## 1
## la Marina del Prat Vermell
## 2
## la Marina de Port
## 4
## la Font de la Guatlla
## 1
## Hostafrancs
## 1
## la Bordeta
## 4
## Sants - Badal
## 4
## Sants
## 4
## les Corts
## 4
## la Maternitat i Sant Ramon
## 4
## Pedralbes
## 4
## Vallvidrera, el Tibidabo i les Planes
## 2
## Sarrià
## 4
## les Tres Torres
## 4
## Sant Gervasi - la Bonanova
## 4
## Sant Gervasi - Galvany
## 4
## el Putxet i el Farró
## 4
## Vallcarca i els Penitents
## 4
## el Coll
## 4
## la Salut
## 4
## la Vila de Gràcia
## 3
## el Camp d'en Grassot i Gràcia Nova
## 4
## el Baix Guinardó
## 4
## Can Baró
## 4
## el Guinardó
## 4
## la Font d'en Fargues
## 4
## el Carmel
## 1
## la Teixonera
## 4
## Sant Genís dels Agudells
## 1
## Montbau
## 1
## la Vall d'Hebron
## 4
## la Clota
## 5
## Horta
## 4
## Vilapicina i la Torre Llobeta
## 4
## Porta
## 4
## el Turó de la Peira
## 4
## Can Peguera
## 2
## la Guineueta
## 4
## Canyelles
## 2
## les Roquetes
## 1
## Verdun
## 4
## la Prosperitat
## 4
## la Trinitat Nova
## 1
## Torre Baró
## 2
## Ciutat Meridiana
## 1
## Vallbona
## 2
## la Trinitat Vella
## 1
## Baró de Viver
## 2
## el Bon Pastor
## 1
## Sant Andreu
## 4
## la Sagrera
## 4
## el Congrés i els Indians
## 1
## Navas
## 4
## el Camp de l'Arpa del Clot
## 4
## el Clot
## 4
## el Parc i la Llacuna del Poblenou
## 4
## la Vila Olímpica del Poblenou
## 4
## el Poblenou
## 4
## Diagonal Mar i el Front Marítim del Poblenou
## 4
## el Besòs i el Maresme
## 4
## Provençals del Poblenou
## 4
## Sant Martí de Provençals
## 4
## la Verneda i la Pau
## 1
##
## Within cluster sum of squares by cluster:
## [1] 256.64936 125.19042 97.21708 320.13072 0.00000
## (between_SS / total_SS = 41.6 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"Plot
final3 <- kmeans(df, centers = 3, nstart = 100)
final4 <- kmeans(df, centers = 4, nstart = 100)
final5 <- kmeans(df, centers = 5, nstart = 100)
fviz_cluster(final3, data = df)
fviz_cluster(final4, data = df)
fviz_cluster(final5, data = df)
kkk <- merged2 %>% mutate(Cluster = final3$cluster) %>% group_by(Cluster) %>% summarise_all(“mean”)
z_cluster(finalK, data = df)
for (i in 3:9) { finalK <- kmeans(df, centers = i, nstart = 100) #plot x <- fviz_cluster(finalK, data = df) x }
Descriptive Statistic
kkk <- merged %>% mutate(Cluster = finalK$cluster) %>% group_by(Nom_Barri) #%>% #summarise_all(“mean”)
k.1 <- kkk %>% filter(Cluster == 1)
k.1$Nom_Barri
k.2 <- kkk %>% filter(Cluster == 2)
k.2$Nom_Barri
k.3 <- kkk %>% filter(Cluster == 3)
k.3$Nom_Barri