cluster SOLE + alq.pmq.V1519 nou.eurm2.V1519 usat.eurm2.V1519
Variables
merged2 <- merged %>%
remove_rownames %>%
column_to_rownames(var="Nom_Barri") %>%
select("n.tot","pc.esp","pc.ext","pc.ue27-esp","pc.20.34","2019-2014","var20192014",
"hotel2019",
"alq.mq","alq.num",#"alq.pmq",
"tot_ann","pc.ent","pc.priv","pc.shared","pc.hotel","pm_ent","pm_priv","pm_sha","pm_hot",
"RFD.2017",
"tot.comp","perc.nou.comp","perc.prot.comp","perc.usat.comp",
"tot.m2","nou.m2","prot.m2","usat.m2",
"tot.eur","nou.eur","usat.eur",
#"tot.eurm2","nou.eurm2","usat.eurm2",
"rest1614",
"alq.pmq.V1519", "nou.eurm2.V1519", "usat.eurm2.V1519",
"pmedio.V1519","pm_ent.V1519","pm_priv.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'): 10
## logW E.logW gap SE.sim
## [1,] 4.979703 5.627702 0.6479985 0.01399820
## [2,] 4.870464 5.542643 0.6721792 0.01441407
## [3,] 4.801723 5.482426 0.6807036 0.01481698
## [4,] 4.749698 5.432826 0.6831283 0.01476728
## [5,] 4.703087 5.390038 0.6869504 0.01434727
## [6,] 4.651527 5.351789 0.7002621 0.01475122
## [7,] 4.600115 5.316969 0.7168544 0.01454200
## [8,] 4.555510 5.283935 0.7284246 0.01428516
## [9,] 4.507453 5.252519 0.7450657 0.01419546
## [10,] 4.470850 5.222562 0.7517119 0.01416150#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 17, 46, 10
##
## Cluster means:
## n.tot pc.esp pc.ext pc.ue27-esp pc.20.34 2019-2014
## 1 1.1128037 -0.9697823 0.53139453 1.12244377 1.1356652 -0.1785851
## 2 -0.3551837 0.2607262 -0.01922854 -0.43132774 -0.2793167 -0.0407148
## 3 -0.2579214 0.4492893 -0.81491943 0.07595321 -0.6457740 0.4908828
## var20192014 hotel2019 alq.mq alq.num tot_ann pc.ent
## 1 -0.45046935 1.2250015 0.1658677 1.36137683 1.4548583 0.7902053
## 2 0.04654296 -0.4122513 -0.3818720 -0.49414447 -0.4578070 -0.5264741
## 3 0.55170029 -0.1861466 1.4746360 -0.04127603 -0.3673471 1.0784316
## pc.priv pc.shared pc.hotel pm_ent pm_priv pm_sha pm_hot
## 1 -0.6426178 -0.1530849 1.1488830 0.07433273 0.6987719 0.3387879 0.8123864
## 2 0.4025908 0.1049523 -0.3985285 -0.12015748 -0.3552733 -0.1773451 -0.3367388
## 3 -0.7594671 -0.2225365 -0.1198702 0.42635875 0.4463447 0.2398481 0.1679415
## RFD.2017 tot.comp perc.nou.comp perc.prot.comp perc.usat.comp
## 1 0.2652500 0.7458757 -0.07418445 -0.1145613 0.08388141
## 2 -0.4899992 -0.1838146 0.05217666 0.0704517 -0.06333045
## 3 1.8030713 -0.4224414 -0.11389909 -0.1293235 0.14872166
## tot.m2 nou.m2 prot.m2 usat.m2 tot.eur nou.eur
## 1 0.007483167 0.57308665 0.6094274 -0.09606511 0.2463433 0.4437656
## 2 -0.411757273 -0.22041346 -0.1204439 -0.38953831 -0.4999116 -0.2915256
## 3 1.881362075 0.03965459 -0.4819844 1.95518691 1.8808098 0.5866162
## usat.eur rest1614 alq.pmq.V1519 nou.eurm2.V1519 usat.eurm2.V1519
## 1 0.226386 -0.44358567 0.19818361 0.41149645 -0.1068019
## 2 -0.504816 0.09987441 -0.04271232 -0.06755715 -0.1250692
## 3 1.937297 0.29467335 -0.14043548 -0.38878109 0.7568817
## pmedio.V1519 pm_ent.V1519 pm_priv.V1519
## 1 0.93943136 0.4141209 -0.07742175
## 2 -0.33940024 -0.3061628 0.03846888
## 3 -0.03579222 0.7043432 -0.04533986
##
## Clustering vector:
## el Raval
## 1
## el Barri Gòtic
## 1
## la Barceloneta
## 1
## Sant Pere, Santa Caterina i la Ribera
## 1
## el Fort Pienc
## 1
## la Sagrada Família
## 1
## la Dreta de l'Eixample
## 1
## l'Antiga Esquerra de l'Eixample
## 1
## la Nova Esquerra de l'Eixample
## 1
## Sant Antoni
## 1
## el Poble Sec
## 1
## la Marina del Prat Vermell
## 2
## la Marina de Port
## 2
## la Font de la Guatlla
## 2
## Hostafrancs
## 2
## la Bordeta
## 2
## Sants - Badal
## 2
## Sants
## 1
## les Corts
## 1
## la Maternitat i Sant Ramon
## 2
## Pedralbes
## 3
## Vallvidrera, el Tibidabo i les Planes
## 3
## 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
## 2
## el Coll
## 2
## la Salut
## 2
## la Vila de Gràcia
## 1
## el Camp d'en Grassot i Gràcia Nova
## 1
## el Baix Guinardó
## 2
## Can Baró
## 2
## el Guinardó
## 2
## la Font d'en Fargues
## 2
## el Carmel
## 2
## la Teixonera
## 2
## Sant Genís dels Agudells
## 2
## Montbau
## 2
## la Vall d'Hebron
## 2
## la Clota
## 2
## Horta
## 2
## Vilapicina i la Torre Llobeta
## 2
## Porta
## 2
## el Turó de la Peira
## 2
## Can Peguera
## 2
## la Guineueta
## 2
## Canyelles
## 2
## les Roquetes
## 2
## Verdun
## 2
## la Prosperitat
## 2
## la Trinitat Nova
## 2
## Torre Baró
## 2
## Ciutat Meridiana
## 2
## Vallbona
## 2
## la Trinitat Vella
## 2
## Baró de Viver
## 3
## el Bon Pastor
## 2
## Sant Andreu
## 2
## la Sagrera
## 2
## el Congrés i els Indians
## 2
## Navas
## 2
## el Camp de l'Arpa del Clot
## 1
## el Clot
## 2
## el Parc i la Llacuna del Poblenou
## 2
## la Vila Olímpica del Poblenou
## 3
## el Poblenou
## 1
## Diagonal Mar i el Front Marítim del Poblenou
## 3
## el Besòs i el Maresme
## 2
## Provençals del Poblenou
## 2
## Sant Martí de Provençals
## 2
## la Verneda i la Pau
## 2
##
## Within cluster sum of squares by cluster:
## [1] 611.2880 1014.6814 379.3398
## (between_SS / total_SS = 26.7 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"
## K-means clustering with 4 clusters of sizes 17, 45, 1, 10
##
## Cluster means:
## n.tot pc.esp pc.ext pc.ue27-esp pc.20.34 2019-2014
## 1 1.1128037 -0.9697823 0.531394526 1.12244377 1.1356652 -0.17858511
## 2 -0.3308310 0.2460650 -0.007873256 -0.42244192 -0.2990807 -0.03469466
## 3 -1.4510511 0.9204820 -0.530216114 -0.83118972 0.6100638 -0.31162126
## 4 -0.2579214 0.4492893 -0.814919431 0.07595321 -0.6457740 0.49088277
## var20192014 hotel2019 alq.mq alq.num tot_ann pc.ent
## 1 -0.45046935 1.2250015 0.16586766 1.36137683 1.4548583 0.7902053
## 2 0.01769431 -0.4098054 -0.39154556 -0.48245635 -0.4546699 -0.5496870
## 3 1.34473217 -0.5223148 0.05344032 -1.02010997 -0.5989730 0.5181094
## 4 0.55170029 -0.1861466 1.47463599 -0.04127603 -0.3673471 1.0784316
## pc.priv pc.shared pc.hotel pm_ent pm_priv pm_sha pm_hot
## 1 -0.6426178 -0.1530849 1.1488830 0.07433273 0.6987719 0.3387879 0.8123864
## 2 0.4157051 0.1135885 -0.3939658 -0.26926901 -0.3447324 -0.1740358 -0.3347101
## 3 -0.1875560 -0.2836752 -0.6038492 6.58986138 -0.8296096 -0.3262650 -0.4280290
## 4 -0.7594671 -0.2225365 -0.1198702 0.42635875 0.4463447 0.2398481 0.1679415
## RFD.2017 tot.comp perc.nou.comp perc.prot.comp perc.usat.comp
## 1 0.2652500 0.7458757 -0.07418445 -0.1145613 0.08388141
## 2 -0.4729625 -0.1613664 0.06978943 -0.1151152 -0.05543059
## 3 -1.2566499 -1.1939865 -0.74039785 8.4209625 -0.41882391
## 4 1.8030713 -0.4224414 -0.11389909 -0.1293235 0.14872166
## tot.m2 nou.m2 prot.m2 usat.m2 tot.eur nou.eur
## 1 0.007483167 0.57308665 0.60942740 -0.09606511 0.2463433 0.4437656
## 2 -0.387739402 -0.19746400 -0.12452124 -0.38455157 -0.4842828 -0.2848357
## 3 -1.492561485 -1.25313891 0.06303448 -0.61394178 -1.2032067 -0.5925692
## 4 1.881362075 0.03965459 -0.48198444 1.95518691 1.8808098 0.5866162
## usat.eur rest1614 alq.pmq.V1519 nou.eurm2.V1519 usat.eurm2.V1519
## 1 0.2263860 -0.44358567 0.198183610 0.41149645 -0.1068019
## 2 -0.4882857 0.09461107 0.006653245 -0.06454382 -0.1246067
## 3 -1.2486762 0.33672465 -2.264162595 -0.20315664 -0.1458842
## 4 1.9372973 0.29467335 -0.140435482 -0.38878109 0.7568817
## pmedio.V1519 pm_ent.V1519 pm_priv.V1519
## 1 0.93943136 0.4141209 -0.07742175
## 2 -0.33697845 -0.3716226 -0.14578290
## 3 -0.44838053 2.6395313 8.32979891
## 4 -0.03579222 0.7043432 -0.04533986
##
## Clustering vector:
## el Raval
## 1
## el Barri Gòtic
## 1
## la Barceloneta
## 1
## Sant Pere, Santa Caterina i la Ribera
## 1
## el Fort Pienc
## 1
## la Sagrada Família
## 1
## la Dreta de l'Eixample
## 1
## l'Antiga Esquerra de l'Eixample
## 1
## la Nova Esquerra de l'Eixample
## 1
## Sant Antoni
## 1
## el Poble Sec
## 1
## la Marina del Prat Vermell
## 3
## la Marina de Port
## 2
## la Font de la Guatlla
## 2
## Hostafrancs
## 2
## la Bordeta
## 2
## Sants - Badal
## 2
## Sants
## 1
## les Corts
## 1
## la Maternitat i Sant Ramon
## 2
## Pedralbes
## 4
## Vallvidrera, el Tibidabo i les Planes
## 4
## 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
## 2
## el Coll
## 2
## la Salut
## 2
## la Vila de Gràcia
## 1
## el Camp d'en Grassot i Gràcia Nova
## 1
## el Baix Guinardó
## 2
## Can Baró
## 2
## el Guinardó
## 2
## la Font d'en Fargues
## 2
## el Carmel
## 2
## la Teixonera
## 2
## Sant Genís dels Agudells
## 2
## Montbau
## 2
## la Vall d'Hebron
## 2
## la Clota
## 2
## Horta
## 2
## Vilapicina i la Torre Llobeta
## 2
## Porta
## 2
## el Turó de la Peira
## 2
## Can Peguera
## 2
## la Guineueta
## 2
## Canyelles
## 2
## les Roquetes
## 2
## Verdun
## 2
## la Prosperitat
## 2
## la Trinitat Nova
## 2
## Torre Baró
## 2
## Ciutat Meridiana
## 2
## Vallbona
## 2
## la Trinitat Vella
## 2
## Baró de Viver
## 4
## el Bon Pastor
## 2
## Sant Andreu
## 2
## la Sagrera
## 2
## el Congrés i els Indians
## 2
## Navas
## 2
## el Camp de l'Arpa del Clot
## 1
## el Clot
## 2
## el Parc i la Llacuna del Poblenou
## 2
## la Vila Olímpica del Poblenou
## 4
## el Poblenou
## 1
## Diagonal Mar i el Front Marítim del Poblenou
## 4
## el Besòs i el Maresme
## 2
## Provençals del Poblenou
## 2
## Sant Martí de Provençals
## 2
## la Verneda i la Pau
## 2
##
## Within cluster sum of squares by cluster:
## [1] 611.2880 800.0009 0.0000 379.3398
## (between_SS / total_SS = 34.6 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"
## K-means clustering with 5 clusters of sizes 13, 45, 1, 10, 4
##
## Cluster means:
## n.tot pc.esp pc.ext pc.ue27-esp pc.20.34 2019-2014
## 1 1.3749682 -0.2832189 -0.038703214 0.39839428 0.4820236 0.27481883
## 2 -0.3308310 0.2460650 -0.007873256 -0.42244192 -0.2990807 -0.03469466
## 3 -1.4510511 0.9204820 -0.530216114 -0.83118972 0.6100638 -0.31162126
## 4 -0.2579214 0.4492893 -0.814919431 0.07595321 -0.6457740 0.49088277
## 5 0.2607690 -3.2011136 2.384212181 3.47560459 3.2600005 -1.65214794
## var20192014 hotel2019 alq.mq alq.num tot_ann pc.ent
## 1 -0.21740804 1.3035129 0.27438593 1.58138263 1.2397875 0.8038235
## 2 0.01769431 -0.4098054 -0.39154556 -0.48245635 -0.4546699 -0.5496870
## 3 1.34473217 -0.5223148 0.05344032 -1.02010997 -0.5989730 0.5181094
## 4 0.55170029 -0.1861466 1.47463599 -0.04127603 -0.3673471 1.0784316
## 5 -1.20791861 0.9698396 -0.18681673 0.64635796 2.1538382 0.7459462
## pc.priv pc.shared pc.hotel pm_ent pm_priv pm_sha pm_hot
## 1 -0.6826984 -0.1430918 1.4048099 0.1744054 0.6157559 0.45660574 0.9918394
## 2 0.4157051 0.1135885 -0.3939658 -0.2692690 -0.3447324 -0.17403577 -0.3347101
## 3 -0.1875560 -0.2836752 -0.6038492 6.5898614 -0.8296096 -0.32626501 -0.4280290
## 4 -0.7594671 -0.2225365 -0.1198702 0.4263587 0.4463447 0.23984808 0.1679415
## 5 -0.5123561 -0.1855623 0.3171208 -0.2509035 0.9685742 -0.04412015 0.2291644
## RFD.2017 tot.comp perc.nou.comp perc.prot.comp perc.usat.comp tot.m2
## 1 0.3799778 0.7663653 -0.14259137 -0.1114382 0.14553872 0.2088730
## 2 -0.4729625 -0.1613664 0.06978943 -0.1151152 -0.05543059 -0.3877394
## 3 -1.2566499 -1.1939865 -0.74039785 8.4209625 -0.41882391 -1.4925615
## 4 1.8030713 -0.4224414 -0.11389909 -0.1293235 0.14872166 1.8813621
## 5 -0.1076155 0.6792846 0.14813806 -0.1247117 -0.11650487 -0.6470336
## nou.m2 prot.m2 usat.m2 tot.eur nou.eur usat.eur
## 1 0.66144179 0.75359142 0.08880727 0.35099837 0.4903136 0.3362960
## 2 -0.19746400 -0.12452124 -0.38455157 -0.48428285 -0.2848357 -0.4882857
## 3 -1.25313891 0.06303448 -0.61394178 -1.20320672 -0.5925692 -1.2486762
## 4 0.03965459 -0.48198444 1.95518691 1.88080979 0.5866162 1.9372973
## 5 0.28593245 0.14089432 -0.69690032 -0.09378548 0.2924844 -0.1308216
## rest1614 alq.pmq.V1519 nou.eurm2.V1519 usat.eurm2.V1519 pmedio.V1519
## 1 0.02207502 0.336888498 0.23526050 -0.1063803 1.01545650
## 2 0.09461107 0.006653245 -0.06454382 -0.1246067 -0.33697845
## 3 0.33672465 -2.264162595 -0.20315664 -0.1458842 -0.44838053
## 4 0.29467335 -0.140435482 -0.38878109 0.7568817 -0.03579222
## 5 -1.95698293 -0.252607275 0.98426327 -0.1081724 0.69234962
## pm_ent.V1519 pm_priv.V1519
## 1 0.6511152 -0.04867222
## 2 -0.3716226 -0.14578290
## 3 2.6395313 8.32979891
## 4 0.7043432 -0.04533986
## 5 -0.3561107 -0.17085774
##
## Clustering vector:
## el Raval
## 5
## el Barri Gòtic
## 5
## la Barceloneta
## 5
## Sant Pere, Santa Caterina i la Ribera
## 5
## el Fort Pienc
## 1
## la Sagrada Família
## 1
## la Dreta de l'Eixample
## 1
## l'Antiga Esquerra de l'Eixample
## 1
## la Nova Esquerra de l'Eixample
## 1
## Sant Antoni
## 1
## el Poble Sec
## 1
## la Marina del Prat Vermell
## 3
## la Marina de Port
## 2
## la Font de la Guatlla
## 2
## Hostafrancs
## 2
## la Bordeta
## 2
## Sants - Badal
## 2
## Sants
## 1
## les Corts
## 1
## la Maternitat i Sant Ramon
## 2
## Pedralbes
## 4
## Vallvidrera, el Tibidabo i les Planes
## 4
## 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
## 2
## el Coll
## 2
## la Salut
## 2
## la Vila de Gràcia
## 1
## el Camp d'en Grassot i Gràcia Nova
## 1
## el Baix Guinardó
## 2
## Can Baró
## 2
## el Guinardó
## 2
## la Font d'en Fargues
## 2
## el Carmel
## 2
## la Teixonera
## 2
## Sant Genís dels Agudells
## 2
## Montbau
## 2
## la Vall d'Hebron
## 2
## la Clota
## 2
## Horta
## 2
## Vilapicina i la Torre Llobeta
## 2
## Porta
## 2
## el Turó de la Peira
## 2
## Can Peguera
## 2
## la Guineueta
## 2
## Canyelles
## 2
## les Roquetes
## 2
## Verdun
## 2
## la Prosperitat
## 2
## la Trinitat Nova
## 2
## Torre Baró
## 2
## Ciutat Meridiana
## 2
## Vallbona
## 2
## la Trinitat Vella
## 2
## Baró de Viver
## 4
## el Bon Pastor
## 2
## Sant Andreu
## 2
## la Sagrera
## 2
## el Congrés i els Indians
## 2
## Navas
## 2
## el Camp de l'Arpa del Clot
## 1
## el Clot
## 2
## el Parc i la Llacuna del Poblenou
## 2
## la Vila Olímpica del Poblenou
## 4
## el Poblenou
## 1
## Diagonal Mar i el Front Marítim del Poblenou
## 4
## el Besòs i el Maresme
## 2
## Provençals del Poblenou
## 2
## Sant Martí de Provençals
## 2
## la Verneda i la Pau
## 2
##
## Within cluster sum of squares by cluster:
## [1] 356.3477 800.0009 0.0000 379.3398 100.2409
## (between_SS / total_SS = 40.2 %)
##
## 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