kmeans

library (factoextra)
library (cluster)
library(ggplot2)
library(dplyr)
library(dendextend)
library(reshape2)
library(RColorBrewer)

data <- read.csv("Kvartiry_Ufa.csv")
# необходимо избавиться от X
drop <- c("X")
data = data[,!(names(data) %in% drop)]

# вычисляем корреляцию
cormat <- round(cor(data),2)
melted_cormat <- melt(cormat)
# достаем верхню часть треугольника корреляционной матрицы
get_upper_tri <- function(cormat){
  cormat[lower.tri(cormat)]<- NA
  return(cormat)
}
upper_tri <- get_upper_tri(cormat)
melted_cormat <- melt(upper_tri, na.rm = TRUE)
# строим хитмэп
ggheatmap <- ggplot(data = melted_cormat, aes(Var2, Var1, fill = value))+
  geom_tile(color = "white")+
  scale_fill_gradient2(low = "blue", high = "red", mid = "white",
                       midpoint = 0, limit = c(-1,1), space = "Lab",
                       name="Pearson\nCorrelation") +
  theme_minimal()+
  theme(axis.text.x = element_text(angle = 45, vjust = 1,
                                   size = 12, hjust = 1))+
  coord_fixed()
# расположим значения на хитмэпе
ggheatmap +
  geom_text(aes(Var2, Var1, label = value), color = "black", size = 4) +
  theme(
    axis.title.x = element_blank(),
    axis.title.y = element_blank(),
    panel.grid.major = element_blank(),
    panel.border = element_blank(),
    panel.background = element_blank(),
    axis.ticks = element_blank(),
    legend.justification = c(1, 0),
    legend.position = c(0.6, 0.7),
    legend.direction = "horizontal")+
  guides(fill = guide_colorbar(barwidth = 7, barheight = 1,
                               title.position = "top", title.hjust = 0.5))

# исходя из матрицы корреляции необходимо избавиться от living area
drop <- c("living_area")
data = data[,!(names(data) %in% drop)]

# стандартизируем значения для корректной кластеризации
data <- scale(data)

# определим оптимальное количество кластеров методом силуэта
fviz_nbclust(data, kmeans, method = "silhouette")
n_clust <- 4

# проведем кластеризацию методом kmeans
km <- kmeans(data, n_clust)
# сохраним вектор с кластером в отдельной переменной
grp <- km$cluster

# отобразим кластеризацию с использованием метода главных компонентов
fviz_cluster(km, data,
             palette = "Set2", ggtheme = theme_minimal())

# отобразим диаграмму рассеяния признаков
pairs(data, upper.panel=NULL)

# необходимо избавиться от parks_around, citycenter_near, floors_total, ceiling, rooms
drop <- c("X","parks_around3", "rooms", "floors_total", "ceiling_height", "room", "balcony")
data = data[,!(names(data) %in% drop)]

# отобразим диаграмму рассеяния признаков с учетом кластеризации
pairs(data, col = brewer.pal(n = n_clust, name = "Set2")[grp], upper.panel=NULL)

# посмотрим на расположение центроидов кластеров
km$centers