如何用Python基于概率聚类（模糊聚类）生成三类温度隶属度特征？

完全可以通过Python实现你的需求，我们可以借助scikit-fuzzy库完成模糊C均值（即软K均值）聚类，生成每个温度点对应冷、适中、热三类的隶属概率，且保证每一行的隶属度之和为1。

实现步骤与代码示例 #

1. 安装依赖库

首先安装模糊聚类及数据处理所需的库：

pip install scikit-fuzzy numpy pandas

2. 数据准备与聚类实现

import numpy as np
import pandas as pd
import skfuzzy as fuzz

# 替换为你的实际温度数据（这里模拟10万条0-130°F的样本）
np.random.seed(42)
temperatures = np.random.uniform(low=0, high=130, size=100000)
# 转换为scikit-fuzzy要求的输入格式：(特征数, 样本数)
temp_data = temperatures.reshape(1, -1)

# 根据给定区间设置初始聚类中心（取每个区间中点）
init_centers = np.array([[15], [65], [115]])  # 冷:0-30中点15，适中:50-80中点65，热:100-130中点115

# 执行模糊C均值聚类
# 参数说明：c=3聚类数，m=2模糊指数（控制隶属度模糊程度），error=收敛阈值，maxiter=最大迭代次数
cluster_centers, memberships, _, _, _, _, _ = fuzz.cluster.cmeans(
    temp_data,
    c=3,
    m=2,
    error=0.005,
    maxiter=1000,
    init=init_centers
)

# 将隶属度转换为DataFrame，对应冷、适中、热三类
membership_df = pd.DataFrame(memberships.T, columns=['冷', '适中', '热'])
# 添加原始温度列（可选）
membership_df['温度(°F)'] = temperatures

3. 结果验证

以接近39°F的样本为例，查看隶属度情况：

# 找到最接近39°F的样本索引
target_idx = np.argmin(np.abs(temperatures - 39))
sample_temp = round(temperatures[target_idx], 1)
cold = round(membership_df['冷'][target_idx], 2)
moderate = round(membership_df['适中'][target_idx], 2)
hot = round(membership_df['热'][target_idx], 2)

print(f"温度{sample_temp}°F的隶属度：")
print(f"冷: {cold}, 适中: {moderate}, 热: {hot}")
print(f"隶属度之和：{round(cold + moderate + hot, 2)}")

关键参数说明 #

• 模糊指数m：通常取2，值越大，不同类别的隶属度越平均；值越小，越接近硬聚类（隶属度趋近于0或1）。
• 初始聚类中心：手动设置为给定区间的中点，能让聚类结果更贴合你的需求，避免算法随机初始化偏离预期。
• 性能：10万条数据的计算在普通电脑上仅需几秒，效率完全满足需求。

内容的提问来源于stack exchange，提问作者bluered_earth