Hello大家好，上回講到數(shù)據(jù)清洗工作已經(jīng)完成，在建立模型之前，我想看看這些數(shù)據(jù)的大致情況，專業(yè)一點(diǎn)的說(shuō)法叫做數(shù)據(jù)探索，就是對(duì)已有數(shù)據(jù)集的一個(gè)了解。最簡(jiǎn)單的探索，看看最大值、最小值、方差、均值、中位數(shù)這些，當(dāng)然，這主要是針對(duì)年齡這種數(shù)值型的數(shù)據(jù)，由于之前清洗數(shù)據(jù)的時(shí)候，已經(jīng)對(duì)年齡的上下限做出來(lái)限制，所以最大值最小值都在預(yù)期之內(nèi)，至于均值和中位數(shù)，可能很多人搞不太清這兩者的區(qū)別。 大多數(shù)人對(duì)均值比較熟悉，上學(xué)的時(shí)候用的也比較多，下邊我們可以舉個(gè)例子來(lái)區(qū)分探索一下，比如說(shuō)有5個(gè)姑娘，年齡分別是24歲,24歲,28歲,29歲,30歲，那么她們的平均年齡是27歲，而年齡的中位數(shù)很明顯是28歲，兩者并不相同，畫一個(gè)分布圖的話，能明顯看出是一個(gè)右偏分布，如果擴(kuò)展到數(shù)據(jù)量更大的數(shù)據(jù)集里，畫出分布是右偏分布，就能得出這樣一個(gè)結(jié)論，這樣一批妹子中間，年紀(jì)稍大一點(diǎn)的妹子占多數(shù)。如果我比較喜歡御姐型的妹子，我可能已經(jīng)在偷著樂(lè)了，年紀(jì)稍大的妹子多一點(diǎn)，御姐就可能會(huì)多一點(diǎn)啊，哈哈哈……當(dāng)然，這只是假設(shè)還有概率，還不能這么開心的笑！ （你的好友靈魂畫手已上線）

好啦，清洗和簡(jiǎn)單的探索做完了，下面該建立一個(gè)模型來(lái)做進(jìn)一步的分析，挑選出哪些妹子才是和我比較搭的。這里稍稍有點(diǎn)糾結(jié)，是做個(gè)分類呢還是做個(gè)聚類呢？雖然這兩類模型從名字上看差不多，但是實(shí)際上差別可大著呢，分類模型是有監(jiān)督的模型，提前已經(jīng)知道了有幾類，每個(gè)類有哪些特征。而聚類一般是無(wú)監(jiān)督模型，提前并不知道有幾類，需要根據(jù)每條數(shù)據(jù)的特征來(lái)尋找數(shù)據(jù)間的相似性，然后把相近的數(shù)據(jù)聚到一起，至于最后會(huì)形成幾類，那就要看最開始把類的個(gè)數(shù)設(shè)定成幾了，而且也不保證聚類的個(gè)數(shù)或者說(shuō)最后的結(jié)果一定是對(duì)的。 比如說(shuō)給妹子分類這件事，如果我事先設(shè)定要聚成兩類，那妹子們就會(huì)被分成兩類；如果我設(shè)定聚成四類，妹子們就會(huì)被分成四類；如果我再瘋狂一點(diǎn)，把妹子們聚成了十八類，那妹子們就會(huì)被分成十八類；至于這么分合理不合理，實(shí)踐之后才能知道了。

我自己思考了一下，覺得做分類模型有點(diǎn)麻煩，要先提前確定妹子們的類型，我jio著，妹子肯定不能只是簡(jiǎn)單粗暴的給分成御姐型和蘿莉型兩個(gè)類型，至于妹子究竟有多少個(gè)類型，恐怕還沒有人能給個(gè)準(zhǔn)確答案；然后呢，還要提前找好特征，找特征也很麻煩，我真的不知道有哪些特征的妹子是屬于哪個(gè)類型的，最后再按照符合的特征給妹子分類，所以我選了一個(gè)懶一點(diǎn)的辦法，那就做個(gè)聚類好了，先簡(jiǎn)單把妹子聚成四類。當(dāng)然這樣也會(huì)有問(wèn)題的，聚成四類后發(fā)現(xiàn)類別給聚少了咋辦？那就把需要再聚類的那部分?jǐn)?shù)據(jù)集再做一次聚類，很輕松嘛！

開始建模型

K-Means這個(gè)算法是聚類算法中最簡(jiǎn)單的算法沒有之一，就用它了！這個(gè)算法的原理那是相當(dāng)?shù)暮?jiǎn)單，例如我要把妹子分成四類，那就先選四個(gè)中心，專業(yè)術(shù)語(yǔ)叫質(zhì)心，然后計(jì)算數(shù)據(jù)集中每個(gè)數(shù)據(jù)點(diǎn)到每個(gè)質(zhì)心的距離，這個(gè)計(jì)算量是很大的，但是不用擔(dān)心，不用自己算，有計(jì)算機(jī)給算，它特別擅長(zhǎng)這種計(jì)算，而且我這點(diǎn)數(shù)據(jù)量對(duì)計(jì)算機(jī)來(lái)說(shuō)，都不夠給他它預(yù)熱的，瞬間就能出來(lái)結(jié)果。結(jié)果出來(lái)后，每個(gè)數(shù)據(jù)點(diǎn)都有了四個(gè)質(zhì)心的距離數(shù)據(jù)，然后這些數(shù)據(jù)點(diǎn)會(huì)選擇距離自己最近的那個(gè)質(zhì)心作為自己的質(zhì)心，這樣就有了最原始的四個(gè)組，專業(yè)術(shù)語(yǔ)里也叫做簇！到這一步模型還沒有結(jié)束，因?yàn)槲覀冋业倪@些中心不一定在剛剛聚成的簇的真正中心位置，這時(shí)候就需要再計(jì)算一下每個(gè)簇真正的質(zhì)心在哪里了，算出來(lái)之后，四個(gè)初始的質(zhì)心就轉(zhuǎn)移到了剛剛計(jì)算出來(lái)的質(zhì)心位置，看到這里有沒有一點(diǎn)熟悉的感覺，是的，下一步又要計(jì)算每個(gè)數(shù)據(jù)點(diǎn)到新質(zhì)心的距離了，然后再重新聚類，再計(jì)算更新的質(zhì)心，這樣迭代下去，直到找到最優(yōu)質(zhì)心，聚類出最優(yōu)的簇！

這樣解釋這個(gè)原理，有點(diǎn)抽象，舉例子解釋一下，比如說(shuō)我的數(shù)據(jù)里包含了100個(gè)妹子，既然我要聚成四類，就隨機(jī)在100個(gè)妹子中挑選了四個(gè)人作為質(zhì)心，然后開始計(jì)算剩下的96個(gè)妹子中每個(gè)妹子與那四個(gè)質(zhì)心妹子的相似性，就是前邊原理里提到的距離，96個(gè)妹子每個(gè)妹子都被計(jì)算了和四個(gè)質(zhì)心妹子的距離，然后每個(gè)妹子和哪個(gè)質(zhì)心妹子更相似，就把這個(gè)非質(zhì)心妹子歸到和她最相似的質(zhì)心妹子那一簇里，最初始的四個(gè)簇就分出來(lái)了，這時(shí)候新的問(wèn)題出現(xiàn)了，發(fā)現(xiàn)最初確定的質(zhì)心妹子并不是這一簇里最有代表性的妹子，其他妹子的特征更能代表這一整個(gè)簇，通過(guò)計(jì)算，更能代表這一簇的妹子成了新一輪的質(zhì)心，質(zhì)心變動(dòng)了，每個(gè)非質(zhì)心妹子與新質(zhì)心妹子的相似度就需要重新計(jì)算，計(jì)算出四個(gè)新質(zhì)心后，開始計(jì)算這一輪剩下的96個(gè)妹子與新質(zhì)心妹子的相似度，然后重新聚類，進(jìn)入新一輪迭代！這樣一個(gè)只有100條記錄的數(shù)據(jù)集，一直迭代到質(zhì)心不再發(fā)生變化不需要很長(zhǎng)的時(shí)間，如果數(shù)據(jù)集很大的話，要迭代到質(zhì)心不再發(fā)生變化，可能需要特別長(zhǎng)的時(shí)間，這時(shí)候就需要算法的參數(shù)出場(chǎng)來(lái)進(jìn)行控制。

不管怎么說(shuō)，我成功的把妹子們分成了四類，有一類妹子是我理想的類型，然而網(wǎng)站給出的匹配度有高有低，那么應(yīng)該是我的信息不符合一些妹子的要求?，F(xiàn)在是到哪一步了？開始給妹子發(fā)消息嘛？當(dāng)然不是！人靠衣裝馬靠鞍，沒見面之前得在依據(jù)事實(shí)的前提下包裝一下自己，讓自己的個(gè)人信息和妹子的要求相近那么一點(diǎn)點(diǎn)，要注意的是造假是不行的，那是欺騙，我這樣的社會(huì)主義好青年是不會(huì)做這樣的事情的。盡量滿足妹子的要求，實(shí)在滿足不了的也不能硬說(shuō)自己滿足啊。

第四步 進(jìn)入溝通

Ok，個(gè)人信息美化好之后，就可以給妹子們發(fā)信息啦，我是很希望有很多妹子能給我回復(fù)，然而，理想是豐滿的，現(xiàn)實(shí)是骨感的，雖然提前做了工作，回復(fù)我的妹子也沒有那么多，中間偶爾還有托的消息，可見我前邊數(shù)據(jù)清洗的時(shí)候并沒有能成功的清理出去所有的虛假信息。這種信息只能是由我人肉篩選了，還好這類信息不多。

終于，我發(fā)出的消息有了回音，新的問(wèn)題又出現(xiàn)了，作為一個(gè)只有工作沒有生活的技術(shù)宅，我不知道能跟妹子聊點(diǎn)啥，尷尬！幸好不是面對(duì)面的聊，所以妹子那邊拋出一個(gè)話題，比如說(shuō)什么微博熱搜知乎熱搜頭條抖音之類的，我都要一邊去找這些熱搜一邊和妹子聊天，感覺有點(diǎn)心累！然而，能難倒數(shù)據(jù)分析師的問(wèn)題還真的不多，我直接寫了幾個(gè)爬蟲，每天爬一遍各大熱搜，和妹子聊天之前做好功課，至少不被動(dòng)，有話題可以和妹子聊，感覺好了很多。

當(dāng)然并不是所有妹子都聊熱搜，還有一些妹子聊人生聊工作聊價(jià)值觀，總之，這段時(shí)間是我本職工作之外各種知識(shí)急速擴(kuò)展的階段，感覺自己又到了高考前的人生知識(shí)巔峰階段，上知天文下知地理中間還知各種政治新聞娛樂(lè)八卦，如果不做數(shù)據(jù)分析師，去做專業(yè)陪聊都毫無(wú)壓力，不管對(duì)方想聊啥，瞬間調(diào)出資料接住對(duì)方拋過(guò)來(lái)的梗。即使如此，也不是所有給我回復(fù)的妹子都能一直聊下去，有些價(jià)值觀是非觀之類的問(wèn)題，還是要堅(jiān)持自我的，聊不來(lái)也沒辦法，強(qiáng)行迎合別人最后也很難有盡如人意的結(jié)果。

折騰了這么久，終于到了離開計(jì)算機(jī)去見面約會(huì)的階段了，已經(jīng)記不起來(lái)自己有多久沒有約會(huì)過(guò)的人，心情既興奮又緊張，還有一點(diǎn)點(diǎn)的缺乏信心（好吧，我承認(rèn)，其實(shí)心里老沒底了，方的不行）。不過(guò)，還是那句話，沒有什么是我不能分析的，這不過(guò)是從對(duì)群體的分析轉(zhuǎn)到了對(duì)個(gè)體分析的階段，沒什么特殊嘛！給自己打氣完畢，開始約會(huì)前的準(zhǔn)備工作：根據(jù)線上聊天時(shí)妹子表現(xiàn)出的喜好，選一個(gè)她一直想去又因?yàn)楦鞣N原因而沒有去成的餐廳，帶上一個(gè)她可能會(huì)喜歡但是又不是很貴重的小禮物；準(zhǔn)備一些她可能會(huì)感興趣的話題，避免到時(shí)候因?yàn)榫o張不知道說(shuō)點(diǎn)什么，尬聊太消耗感情了！然后還有就是我自己要好好收拾一下，去找村頭的Tony老師理一個(gè)精神的發(fā)型，準(zhǔn)備一套清爽整潔不做作的衣服。提前幾分鐘到約定好的餐廳坐等！

我準(zhǔn)備了這么多，整個(gè)過(guò)程也還算順利沒有什么尷尬的事情發(fā)生，不過(guò)可能我的真人版和妹子的真人版都有點(diǎn)不太符合雙方的預(yù)期，約會(huì)后聯(lián)系也就終止了！但是一次的失敗對(duì)我來(lái)說(shuō)不算什么，想想我工作中算法模型跑不成功，調(diào)參調(diào)到懷疑人生的時(shí)候都沒有輕言放棄，這么一點(diǎn)點(diǎn)挫折算什么，繼續(xù)開始下一個(gè)，繼續(xù)迭代！

每次迭代都能學(xué)習(xí)到經(jīng)驗(yàn)教訓(xùn)，經(jīng)過(guò)一遍一遍的約會(huì)然后回去復(fù)盤，終于我找到了一個(gè)可以確定關(guān)系的妹子，和家里打電話的時(shí)候得到了母上大人的肯定，我心甚慰??！而且，妹子和我是同行，都是數(shù)據(jù)分析師，只不過(guò)行業(yè)不一樣。后來(lái)關(guān)系穩(wěn)定后的一次閑聊，我才知道，女朋友也是因?yàn)楹臀翌愃频脑颍脭?shù)據(jù)分析的方法去分析各種交友類網(wǎng)站的數(shù)據(jù)，跑個(gè)算法來(lái)找目標(biāo)，好吧，原來(lái)我也是別人數(shù)據(jù)集中的一個(gè)樣本來(lái)著！幸運(yùn)的是，我們正好在彼此的數(shù)據(jù)集中，經(jīng)過(guò)層層篩選，成為了對(duì)方那個(gè)對(duì)的人！從此以后，家不再只是租來(lái)的一間空屋子，有燈光，有溫暖，有個(gè)我喜歡的人和我一起討論數(shù)據(jù)分析討論各種算法模型！

（完結(jié) 本故事純屬虛構(gòu)，如有雷同，純屬巧合）