Differences

This shows you the differences between two versions of the page.

--- sna_and_clustering [2024/11/21 02:47] – created hkimscil
+++ sna_and_clustering [2024/11/24 23:45] (current) – [output] hkimscil
@@ Line 65: / Line 65: @@
 degree(net)
 closeness(net)
-sort(closeness(net))
+hits_scores(net)$hub          # outlinks
-hub_score(net)
+hits_scores(net)$authority    # inlinks
+hs <- hits_scores(net)$hub          # outlinks
+as <- hits_scores(net)$authority    # inlinks
-hits_scores(net)
-hs <- hits_scores(net)$hub       # outlinks
-as <- hits_scores(net)$authority # inlinks
-hs
-as
 set.seed(123)
@@ Line 101: / Line 99: @@
 # cluster_spinglass()
 # cluster.distribution()
-# components(net)
+# components(net, "strong")
 infomap <- cluster_infomap(net)
-c.infomap <- cluster_infomap(net)
+# c.infomap <- cluster_infomap(net)
 plot(cnet,
@@ Line 117: / Line 114: @@
      vertex.label.cex = 0.8)
-plot(infomap,
+############################################################
-     net,
-     vertex.size = 10,
-     vertex.label.cex = 0.8)
 # clustering in R
 # clusterdata.csv
@@ Line 140: / Line 132: @@
 means <- apply(z, 2, mean)
 sds <- apply(z, 2, sd)
+means
+sds
 nor <- scale(z, center=means, scale=sds)
+nor
 distance <- dist(nor)
@@ Line 161: / Line 157: @@
      labels=orgs$Company,
      main='hclust average')
+plot(orgs.hclust.average, hang=-1,
+     labels=orgs$Company,
+     main='hclust average')
+rect.hclust(orgs.hclust.average, k=4, border='red')
 member.by.3 <- cutree(orgs.hclust, 3)
 table(member.by.3)
+member.by.3
 member.by.5 <- cutree(orgs.hclust, 5)
 table(member.by.5)
+member.by.5
 aggregate(nor,list(member.by.3),mean)
@@ Line 185: / Line 189: @@
 kc
-install.packages("cluster")
+# install.packages("cluster")
 library(cluster)
@@ Line 199: / Line 203: @@
          main="Cluster Mapping",
          cex=1.2)
+# kmeans
+# install.packages("factoextra")
+library(factoextra)
+k2 <- kmeans(nor, centers = 3, nstart = 25)
+str(k2)
+fviz_cluster(k2, data = nor)
+fviz_nbclust(nor, kmeans, method = "wss")
+fviz_nbclust(nor, kmeans, method = "silhouette")
+gap_stat <- clusGap(nor, FUN = kmeans,
+                    nstart = 25, K.max = 10, B = 50)
+fviz_gap_stat(gap_stat)
 </code>
+====== output ======
+<code>
+>
+>
+> #
+> library(igraph)
+> data <- read.csv("http://commres.net/wiki/_media/r/socialnetworkdata.csv", header=T)
+> head(data)
+  first second grade spec
+    AA     DD     6    Y
+    AB     DD     6    R
+    AF     BA     6    Q
+    DD     DA     6    Q
+    CD     EC     6    X
+    DD     CE     6    Y
+> str(data)
+'data.frame':	290 obs. of  4 variables:
+ $ first : chr  "AA" "AB" "AF" "DD" ...
+ $ second: chr  "DD" "DD" "BA" "DA" ...
+ $ grade : int  6 6 6 6 6 6 6 6 6 6 ...
+ $ spec  : chr  "Y" "R" "Q" "Q" ...
+>
+> y <- data.frame(data$first, data$second)
+> head(y)
+  data.first data.second
+         AA          DD
+         AB          DD
+         AF          BA
+         DD          DA
+         CD          EC
+         DD          CE
+>
+> # net <- graph.data.frame(y, directed=T)
+> net <- graph_from_data_frame(y, directed=T)
+> head(net)
+x 52 sparse Matrix of class "dgCMatrix"
+  [[ suppressing 52 column names ‘AA’, ‘AB’, ‘AF’ ... ]]
+AA . . . 10 . . . . . . . . . . . . . . . . . . . . . . . . . . .
+AB . . .  1 . 4 . . . . . . . . . . . . . . . . . . . . . . . . .
+AF . . .  . . 3 . . 2 . . . . 1 . . . . . . . . . . . . . . . . .
+DD . . .  . 2 . . . . . . . . . . . . . . . . . . 2 . . . . . . .
+CD . . . 10 . . . 4 . 2 . 2 . . 1 . . . . . . . . . . . . . . . .
+BA . 2 5  . . . . . 1 1 . . . . . 1 . . . . . . . . 1 . . . . . .
+AA . . . . . . . . . 1 1 . . . . . . . . . .
+AB . . 1 . . . . . . . . . . . . . . . . . .
+AF . . . . . . . . . . . . . . . . . . . 1 .
+DD . . . . 4 . . . . . . . . . . . . . . . .
+CD . . . . . 3 1 . . . . . . . . 1 . 1 . . .
+BA . . . . . . . . . . . . . . . . . . 1 . 1
+> net
+IGRAPH 612e768 DN-- 52 290 --
++ attr: name (v/c)
++ edges from 612e768 (vertex names):
+ [1] AA->DD AB->DD AF->BA DD->DA CD->EC DD->CE CD->FA CD->CC BA->AF
+[10] CB->CA CC->CA CD->CA BC->CA DD->DA ED->AD AE->AC AB->BA CD->EC
+[19] CA->CC EB->CC BF->CE BB->CD AC->AE CC->FB DC->BB BD->CF DB->DA
+[28] DD->DA DB->DD BC->AF CF->DE DF->BF CB->CA BE->CA EA->CA CB->CA
+[37] CB->CA CC->CA CD->CA BC->CA BF->CA CE->CA AC->AD BD->BE AE->DF
+[46] CB->DF AC->DF AA->DD AA->DD AA->DD CD->DD AA->DD EE->DD CD->DD
+[55] DB->AA AA->FC BE->CC EF->FD CF->FE BB->DD CD->DD BA->AB CD->EC
+[64] BE->EE CE->CC CD->CC ED->CC BB->CC BE->CE DD->CE AC->CD ED->CD
++ ... omitted several edges
+>
+> V(net) # vertex in net data
++ 52/52 vertices, named, from 612e768:
+ [1] AA AB AF DD CD BA CB CC BC ED AE CA EB BF BB AC DC BD DB CF DF
+[22] BE EA CE EE EF FF FD GB GC GD AD KA KF LC DA EC FA FB DE FC FE
+[43] GA GE KB KC KD KE LB LA LD LE
+> who.net <- V(net) # 52/52 vertices
+> data.frame(who.net)
+   who.net
+AA       1
+AB       2
+AF       3
+DD       4
+CD       5
+BA       6
+CB       7
+CC       8
+BC       9
+ED      10
+AE      11
+CA      12
+EB      13
+BF      14
+BB      15
+AC      16
+DC      17
+BD      18
+DB      19
+CF      20
+DF      21
+BE      22
+EA      23
+CE      24
+EE      25
+EF      26
+FF      27
+FD      28
+GB      29
+GC      30
+GD      31
+AD      32
+KA      33
+KF      34
+LC      35
+DA      36
+EC      37
+FA      38
+FB      39
+DE      40
+FC      41
+FE      42
+GA      43
+GE      44
+KB      45
+KC      46
+KD      47
+KE      48
+LB      49
+LA      50
+LD      51
+LE      52
+>
+> E(net) # edge info in net data
++ 290/290 edges from 612e768 (vertex names):
+ [1] AA->DD AB->DD AF->BA DD->DA CD->EC DD->CE CD->FA CD->CC BA->AF
+[10] CB->CA CC->CA CD->CA BC->CA DD->DA ED->AD AE->AC AB->BA CD->EC
+[19] CA->CC EB->CC BF->CE BB->CD AC->AE CC->FB DC->BB BD->CF DB->DA
+[28] DD->DA DB->DD BC->AF CF->DE DF->BF CB->CA BE->CA EA->CA CB->CA
+[37] CB->CA CC->CA CD->CA BC->CA BF->CA CE->CA AC->AD BD->BE AE->DF
+[46] CB->DF AC->DF AA->DD AA->DD AA->DD CD->DD AA->DD EE->DD CD->DD
+[55] DB->AA AA->FC BE->CC EF->FD CF->FE BB->DD CD->DD BA->AB CD->EC
+[64] BE->EE CE->CC CD->CC ED->CC BB->CC BE->CE DD->CE AC->CD ED->CD
+[73] FF->CD AC->CD DD->CD DD->CD AE->GA AE->GA AE->GA AE->GA BA->ED
+[82] BE->ED EB->ED CD->ED FD->EF FD->EF CD->BB BF->BB BC->BB BB->CF
++ ... omitted several edges
+> rel.net <- E(net)
+> rel.net # output 290/290 edges
++ 290/290 edges from 612e768 (vertex names):
+ [1] AA->DD AB->DD AF->BA DD->DA CD->EC DD->CE CD->FA CD->CC BA->AF
+[10] CB->CA CC->CA CD->CA BC->CA DD->DA ED->AD AE->AC AB->BA CD->EC
+[19] CA->CC EB->CC BF->CE BB->CD AC->AE CC->FB DC->BB BD->CF DB->DA
+[28] DD->DA DB->DD BC->AF CF->DE DF->BF CB->CA BE->CA EA->CA CB->CA
+[37] CB->CA CC->CA CD->CA BC->CA BF->CA CE->CA AC->AD BD->BE AE->DF
+[46] CB->DF AC->DF AA->DD AA->DD AA->DD CD->DD AA->DD EE->DD CD->DD
+[55] DB->AA AA->FC BE->CC EF->FD CF->FE BB->DD CD->DD BA->AB CD->EC
+[64] BE->EE CE->CC CD->CC ED->CC BB->CC BE->CE DD->CE AC->CD ED->CD
+[73] FF->CD AC->CD DD->CD DD->CD AE->GA AE->GA AE->GA AE->GA BA->ED
+[82] BE->ED EB->ED CD->ED FD->EF FD->EF CD->BB BF->BB BC->BB BB->CF
++ ... omitted several edges
+>
+> # 52 by 290 data set
+>
+> V(net)$degree <- degree(net)
+> degree.net <- data.frame(degree(net))
+> V(net)$degree
+ [1] 18  9 23 36 40 26 24 50 21 27 15 62  7 12 23 27  2  4  8 12 23
+[22] 20  8 10  6  8  1  8  1  1  1  9  3  3  1  7  3  1  1  2  1  2
+[43]  5  1  1  1  1  1  1  1  1  1
+>
+>
+> str(who.net)
+ 'igraph.vs' Named int [1:52] 1 2 3 4 5 6 7 8 9 10 ...
+ - attr(*, "names")= chr [1:52] "AA" "AB" "AF" "DD" ...
+ - attr(*, "is_all")= logi TRUE
+ - attr(*, "env")=<weakref>
+ - attr(*, "graph")= chr "612e7682-aabd-11ef-9ea2-7d7f9645968c"
+> who.net$name
+ [1] "AA" "AB" "AF" "DD" "CD" "BA" "CB" "CC" "BC" "ED" "AE" "CA"
+[13] "EB" "BF" "BB" "AC" "DC" "BD" "DB" "CF" "DF" "BE" "EA" "CE"
+[25] "EE" "EF" "FF" "FD" "GB" "GC" "GD" "AD" "KA" "KF" "LC" "DA"
+[37] "EC" "FA" "FB" "DE" "FC" "FE" "GA" "GE" "KB" "KC" "KD" "KE"
+[49] "LB" "LA" "LD" "LE"
+>
+> hist(V(net)$degree)
+>
+> set.seed(222)
+> plot(net,
++      vertex.color = 'lightblue',
++      vertext.size = 2,
++      edge.arrow.size = 0.1,
++      vertex.label.cex = 0.8)
+>
+> plot(net,
++      vertex.color = rainbow(52),
++      vertex.size = V(net)$degree*0.3,
++      edge.arrow.size = 0.1,
++      layout=layout.fruchterman.reingold)
+> # layout layout.fruchterman.reingold
+> # layout.graphopt
+> plot(net,
++      vertex.color = rainbow(52),
++      vertex.size = V(net)$degree*0.8,
++      edge.arrow.size = 0.1,
++      layout=layout.graphopt)
+>
+> plot(net,
++      vertex.color = rainbow(52),
++      vertex.size = V(net)$degree*0.4,
++      edge.arrow.size = 0.1,
++      layout=layout.kamada.kawai)
+>
+> betweenness(net)
+        AA         AB         AF         DD         CD         BA
+.196239   4.564734 109.762225 162.990640 375.992047 184.496219
+        CB         CC         BC         ED         AE         CA
+.237779 225.269107  94.821412 343.016093 105.368424 292.157605
+        EB         BF         BB         AC         DC         BD
+.000000  28.446981 244.963181 172.427422   0.000000   5.966115
+        DB         CF         DF         BE         EA         CE
+.000000 181.814414  42.768995  55.964872 183.604022  11.943347
+        EE         EF         FF         FD         GB         GC
+.002137   0.000000   0.000000  33.000000   0.000000   0.000000
+        GD         AD         KA         KF         LC         DA
+.000000  48.996857   0.000000  17.229134   0.000000   0.000000
+        EC         FA         FB         DE         FC         FE
+.000000   0.000000   0.000000   0.000000   0.000000   0.000000
+        GA         GE         KB         KC         KD         KE
+.000000   0.000000   0.000000   0.000000   0.000000   0.000000
+        LB         LA         LD         LE
+.000000   0.000000   0.000000   0.000000
+> degree(net)
+AA AB AF DD CD BA CB CC BC ED AE CA EB BF BB AC DC BD DB CF DF BE
+  9 23 36 40 26 24 50 21 27 15 62  7 12 23 27  2  4  8 12 23 20
+EA CE EE EF FF FD GB GC GD AD KA KF LC DA EC FA FB DE FC FE GA GE
+10  6  8  1  8  1  1  1  9  3  3  1  7  3  1  1  2  1  2  5  1
+KB KC KD KE LB LA LD LE
+  1  1  1  1  1  1  1
+> closeness(net)
+         AA          AB          AF          DD          CD
+.005988024 0.007874016 0.008196721 0.007352941 0.010101010
+         BA          CB          CC          BC          ED
+.009900990 0.010101010 0.008771930 0.008695652 0.012048193
+         AE          CA          EB          BF          BB
+.010000000 0.008264463 0.009009009 0.009090909 0.010869565
+         AC          DC          BD          DB          CF
+.011111111 0.008547009 0.008771930 0.005917160 0.009433962
+         DF          BE          EA          CE          EE
+.010869565 0.009433962 0.006711409 0.006849315 0.007751938
+         EF          FF          FD          GB          GC
+.005319149 0.007042254 0.005319149 0.006329114 0.004761905
+         GD          AD          KA          KF          LC
+.006369427 0.009174312 0.008620690 0.005347594 0.006097561
+         DA          EC          FA          FB          DE
+        NaN         NaN         NaN         NaN         NaN
+         FC          FE          GA          GE          KB
+        NaN         NaN         NaN         NaN         NaN
+         KC          KD          KE          LB          LA
+        NaN         NaN         NaN         NaN         NaN
+         LD          LE
+        NaN         NaN
+> hits_scores(net)$hub          # outlinks
+          AA           AB           AF           DD           CD
+.042807e-02 1.300950e-02 4.731440e-03 1.255496e-02 2.350165e-01
+          BA           CB           CC           BC           ED
+.239013e-02 7.145888e-01 1.000000e+00 2.321828e-01 4.858357e-02
+          AE           CA           EB           BF           BB
+.949708e-02 4.494956e-02 1.870058e-01 1.272314e-01 1.150808e-01
+          AC           DC           BD           DB           CF
+.093518e-01 7.455515e-03 1.305960e-02 1.738176e-02 7.102816e-03
+          DF           BE           EA           CE           EE
+.505787e-02 2.195271e-01 5.693409e-02 6.319085e-02 1.273824e-02
+          EF           FF           FD           GB           GC
+.119098e-03 4.485458e-03 4.563724e-04 3.594258e-04 2.507046e-04
+          GD           AD           KA           KF           LC
+.374463e-03 9.643170e-03 6.276463e-02 4.418478e-04 5.681639e-02
+          DA           EC           FA           FB           DE
+.458925e-19 1.458925e-19 1.458925e-19 1.458925e-19 1.458925e-19
+          FC           FE           GA           GE           KB
+.458925e-19 1.458925e-19 1.458925e-19 1.458925e-19 1.458925e-19
+          KC           KD           KE           LB           LA
+.458925e-19 1.458925e-19 1.458925e-19 1.458925e-19 1.458925e-19
+          LD           LE
+.458925e-19 1.458925e-19
+> hits_scores(net)$authority    # inlinks
+          AA           AB           AF           DD           CD
+.412541e-03 3.968841e-03 8.375004e-02 1.409698e-01 7.894656e-02
+          BA           CB           CC           BC           ED
+.146204e-02 3.660444e-03 1.121941e-01 6.326094e-03 4.799095e-02
+          AE           CA           EB           BF           BB
+.524499e-02 1.000000e+00 0.000000e+00 6.072030e-03 8.323026e-02
+          AC           DC           BD           DB           CF
+.262068e-02 0.000000e+00 2.486679e-04 0.000000e+00 8.146610e-03
+          DF           BE           EA           CE           EE
+.925650e-01 1.095155e-01 7.776767e-03 2.437300e-02 2.419075e-02
+          EF           FF           FD           GB           GC
+.390996e-05 0.000000e+00 2.071608e-03 0.000000e+00 0.000000e+00
+          GD           AD           KA           KF           LC
+.000000e+00 1.806051e-02 0.000000e+00 2.156359e-03 0.000000e+00
+          DA           EC           FA           FB           DE
+.583779e-03 2.468362e-02 8.227873e-03 3.500976e-02 4.973358e-04
+          FC           FE           GA           GE           KB
+.815768e-03 3.064436e-03 1.391587e-02 3.500976e-02 3.500976e-02
+          KC           KD           KE           LB           LA
+.486679e-04 8.227873e-03 2.501759e-02 8.227873e-03 1.133971e-03
+          LD           LE
+.656466e-04 1.133971e-03
+>
+> hs <- hits_scores(net)$hub          # outlinks
+> as <- hits_scores(net)$authority    # inlinks
+>
+>
+>
+> set.seed(123)
+> plot(net,
++      vertex.size=hs*30,
++      main = 'Hubs',
++      vertex.color = rainbow(52),
++      edge.arrow.size=0.1,
++      layout = layout.kamada.kawai)
+>
+> set.seed(123)
+> plot(net,
++      vertex.size=as*30,
++      main = 'Authorities',
++      vertex.color = rainbow(52),
++      edge.arrow.size=0.1,
++      layout = layout.kamada.kawai)
+>
+>
+> net <- graph_from_data_frame(y, directed = F)
+> cnet <- cluster_edge_betweenness(net)
+>
+> # cluster_fast_greedy(net)
+> # cluster_fluid_communities(net, 2)
+> # cluster_infomap(net)
+> # cluster_label_prop()
+> # cluster_spinglass()
+> # cluster.distribution()
+> # components(net, "strong")
+>
+> infomap <- cluster_infomap(net)
+> # c.infomap <- cluster_infomap(net)
+>
+> plot(cnet,
++      net,
++      vertex.size = 10,
++      vertex.label.cex = 0.8)
+>
+> plot(infomap,
++      net,
++      vertex.size = 10,
++      vertex.label.cex = 0.8)
+>
+> ############################################################
+> # clustering in R
+> # clusterdata.csv
+> orgs <- read.csv("http://commres.net/wiki/_media/r/clusterdata.csv", header=T)
+> str(orgs)
+'data.frame':	22 obs. of  9 variables:
+ $ Company     : chr  "Arizona " "Boston " "Central " "Commonwealth" ...
+ $ Fixed_charge: num  1.06 0.89 1.43 1.02 1.49 1.32 1.22 1.1 1.34 1.12 ...
+ $ RoR         : num  9.2 10.3 15.4 11.2 8.8 13.5 12.2 9.2 13 12.4 ...
+ $ Cost        : int  151 202 113 168 192 111 175 245 168 197 ...
+ $ Load        : num  54.4 57.9 53 56 51.2 60 67.6 57 60.4 53 ...
+ $ D.Demand    : num  1.6 2.2 3.4 0.3 1 -2.2 2.2 3.3 7.2 2.7 ...
+ $ Sales       : int  9077 5088 9212 6423 3300 11127 7642 13082 8406 6455 ...
+ $ Nuclear     : num  0 25.3 0 34.3 15.6 22.5 0 0 0 39.2 ...
+ $ Fuel_Cost   : num  0.628 1.555 1.058 0.7 2.044 ...
+> head(orgs)
+       Company Fixed_charge  RoR Cost Load D.Demand Sales Nuclear
+     Arizona          1.06  9.2  151 54.4      1.6  9077     0.0
+      Boston          0.89 10.3  202 57.9      2.2  5088    25.3
+     Central          1.43 15.4  113 53.0      3.4  9212     0.0
+Commonwealth         1.02 11.2  168 56.0      0.3  6423    34.3
+    Con Ed NY         1.49  8.8  192 51.2      1.0  3300    15.6
+     Florida          1.32 13.5  111 60.0     -2.2 11127    22.5
+  Fuel_Cost
+     0.628
+     1.555
+     1.058
+     0.700
+     2.044
+     1.241
+>
+> pairs(orgs[2:9])
+>
+> plot(Fuel_Cost ~ Sales, data = orgs)
+> with(orgs, text(Fuel_Cost ~ Sales,
++                 labels=orgs$Company,
++                 pos=4))
+>
+> # normalization (standardization)
+> z <- orgs[,-c(1,1)] # remove the first column
+> means <- apply(z, 2, mean)
+> sds <- apply(z, 2, sd)
+> means
+Fixed_charge          RoR         Cost         Load     D.Demand
+.114091    10.736364   168.181818    56.977273     3.240909
+       Sales      Nuclear    Fuel_Cost
+.045455    12.000000     1.102727
+> sds
+Fixed_charge          RoR         Cost         Load     D.Demand
+.1845112    2.2440494   41.1913495    4.4611478    3.1182503
+       Sales      Nuclear    Fuel_Cost
+.9840305   16.7919198    0.5560981
+>
+> nor <- scale(z, center=means, scale=sds)
+> nor
+      Fixed_charge         RoR         Cost        Load
+ [1,]  -0.29315791 -0.68463896 -0.417122002 -0.57771516
+ [2,]  -1.21451134 -0.19445367  0.821002037  0.20683629
+ [3,]   1.71214073  2.07822360 -1.339645796 -0.89153574
+ [4,]  -0.50994695  0.20660702 -0.004413989 -0.21906307
+ [5,]   2.03732429 -0.86288816  0.578232617 -1.29501935
+ [6,]   1.11597086  1.23153991 -1.388199680  0.67756716
+ [7,]   0.57399826  0.65223002  0.165524604  2.38116460
+ [8,]  -0.07636887 -0.68463896  1.864910540  0.00509449
+ [9,]   1.22436538  1.00872841 -0.004413989  0.76723019
+[10,]   0.03202565  0.74135462  0.699617327 -0.89153574
+[11,]  -1.97327298 -1.44219805  0.116970720 -1.22777208
+[12,]   0.08622291  0.07292013  0.238355430  1.12588228
+[13,]   0.19461744  0.87504152  0.748171211 -0.73462545
+[14,]  -0.13056613  0.56310542 -1.752353809 -1.60883993
+[15,]  -0.83513051 -1.39763576 -0.101521757  1.17071379
+[16,]   0.24881470 -0.37270287  2.034849134 -0.21906307
+[17,]  -1.91907572 -1.93238335 -0.781276132  1.10346652
+[18,]  -0.34735517  0.83047922 -0.441398944 -0.06215278
+[19,]   0.24881470  0.42941852 -1.558138274 -0.66737818
+[20,]   0.46560374  0.47398082 -0.489952828  0.65515141
+[21,]  -0.40155243 -0.95201276  0.869555920  0.90172472
+[22,]  -0.23896065 -0.64007666  0.141247662 -0.60013092
+         D.Demand       Sales    Nuclear   Fuel_Cost
+ [1,] -0.52622751  0.04590290 -0.7146294 -0.85367545
+ [2,] -0.33381191 -1.07776413  0.7920476  0.81329670
+ [3,]  0.05101929  0.08393124 -0.7146294 -0.08043055
+ [4,] -0.94312798 -0.70170610  1.3280197 -0.72420189
+ [5,] -0.71864311 -1.58142837  0.2143888  1.69263800
+ [6,] -1.74485965  0.62337028  0.6253007  0.24864810
+ [7,] -0.33381191 -0.35832428 -0.7146294  0.98772637
+ [8,]  0.01895002  1.17407698 -0.7146294 -1.42731528
+ [9,]  1.26965142 -0.14311204 -0.7146294 -0.43288637
+[10,] -0.17346558 -0.69269198  1.6198267 -0.86266667
+[11,]  1.04516655  2.40196983 -0.7146294 -0.60192130
+[12,]  0.14722709 -0.77748109 -0.7146294  1.42829614
+[13,]  1.01309729 -0.48874740  2.2749037 -1.03529809
+[14,] -0.59036605  0.21379097 -0.7146294 -0.92560521
+[15,] -1.07140505 -0.68902999 -0.6610322  0.53456889
+[16,]  1.91103676  1.99351729 -0.7146294 -0.86806140
+[17,]  1.84689822 -0.90142531 -0.2203441  1.46965575
+[18,] -0.17346558  0.34534086 -0.7146294  0.00948165
+[19,] -1.71279038  1.29379583 -0.7146294 -0.83928950
+[20,]  0.08308855 -0.45832473  1.7329764 -0.72060540
+[21,]  0.08308855 -0.63776215 -0.7146294  1.82211157
+[22,]  0.85275095  0.33210137  0.8694658  0.36553395
+attr(,"scaled:center")
+Fixed_charge          RoR         Cost         Load     D.Demand
+.114091    10.736364   168.181818    56.977273     3.240909
+       Sales      Nuclear    Fuel_Cost
+.045455    12.000000     1.102727
+attr(,"scaled:scale")
+Fixed_charge          RoR         Cost         Load     D.Demand
+.1845112    2.2440494   41.1913495    4.4611478    3.1182503
+       Sales      Nuclear    Fuel_Cost
+.9840305   16.7919198    0.5560981
+>
+> distance <- dist(nor)
+> distance
+        2        3        4        5        6        7
+  3.096154
+  3.679230 4.916465
+  2.462149 2.164213 4.107079
+  4.123129 3.852850 4.468735 4.127368
+  3.606269 4.218804 2.992760 3.201836 4.600183
+  3.901898 3.448346 4.217769 3.969367 4.596261 3.352919
+  2.737407 3.892524 4.990876 3.692949 5.155516 4.913953 4.364509
+  3.253851 3.957125 2.752623 3.753627 4.489900 3.730814 2.796298
+3.099116 2.705330 3.934935 1.491427 4.045276 3.829058 4.506512
+3.491163 4.792640 5.902882 4.864730 6.460986 6.004557 5.995814
+3.223138 2.432568 4.031434 3.498769 3.603863 3.738824 1.660047
+3.959637 3.434878 4.385973 2.577003 4.758059 4.554909 5.010221
+2.113490 4.323825 2.742000 3.230069 4.818803 3.469268 4.914949
+2.593481 2.501195 5.156977 3.190250 4.255251 4.065764 2.930142
+4.033051 4.837051 5.264442 4.967244 5.816715 5.842268 5.042444
+4.396680 3.623588 6.356548 4.893679 5.628591 6.099456 4.577294
+1.877248 2.904409 2.723954 2.651532 4.338150 2.853942 2.949006
+2.410434 4.634878 3.179392 3.464171 5.133791 2.581208 4.515428
+3.174488 2.997481 3.733274 1.816465 4.385852 2.912401 3.541931
+3.453407 2.318451 5.088018 3.884260 3.644137 4.628341 2.675404
+2.509287 2.421916 4.109321 2.578463 3.771757 4.026935 4.000096
+        9       10       11       12       13       14
+
+
+
+
+
+
+
+  3.594824
+3.673884 3.572023
+3.462587 5.175240 5.081469
+4.059770 2.735861 3.942171 5.208504
+4.140607 3.658647 1.407032 5.309741 4.496249
+4.335241 3.816443 3.610272 4.315584 4.335484 4.385649
+3.849872 4.113606 4.264133 4.735659 2.328833 5.103646 4.239522
+2.201457 3.627307 4.531420 3.429962 4.617791 4.406173 5.169314
+5.426511 4.901037 5.484537 4.751387 3.497555 5.606577 5.558002
+3.237409 2.428533 3.070750 3.945595 2.451935 3.780942 2.301050
+4.107966 4.109049 4.130120 4.522319 4.414578 5.010864 1.876051
+4.094283 2.948021 2.054393 5.352136 3.430937 2.226493 3.744430
+3.977130 3.742680 4.361961 4.883977 1.384124 4.937119 4.926966
+3.239374 3.208932 2.559945 3.436927 2.995066 2.739910 3.512207
+       16       17       18       19       20       21
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+5.175157
+3.399659 5.559320
+2.998784 3.973815 4.426129
+4.030721 5.232256 6.089597 2.473696
+3.782111 4.823711 4.866540 2.922392 3.903723
+2.097150 4.568885 3.095002 3.185250 4.972551 4.145222
+3.352644 3.457129 3.628061 2.548060 3.967618 2.618050 3.012264
+>
+> orgs.hclust = hclust(distance)
+>
+> plot(orgs.hclust)
+> plot(orgs.hclust,
++      labels = orgs$Company,
++      main='Default from hclust')
+> plot(orgs.hclust,
++      hang=-1,
++      labels=orgs$Company,
++      main='Default from hclust')
+>
+>
+> orgs.hclust.average<-hclust(distance, method="average")
+> plot(orgs.hclust.average, hang=-1,
++      labels=orgs$Company,
++      main='hclust average')
+>
+> plot(orgs.hclust.average, hang=-1,
++      labels=orgs$Company,
++      main='hclust average')
+> rect.hclust(orgs.hclust.average, k=4, border='red')
+>
+> member.by.3 <- cutree(orgs.hclust, 3)
+> table(member.by.3)
+member.by.3
+  2  3
+  5  3
+> member.by.3
+ [1] 1 1 1 1 1 1 2 3 1 1 3 2 1 1 2 3 2 1 1 1 2 1
+>
+> member.by.5 <- cutree(orgs.hclust, 5)
+> table(member.by.5)
+member.by.5
+2 3 4 5
+6 1 5 3
+> member.by.5
+ [1] 1 2 1 2 3 1 4 5 1 2 5 4 2 1 4 5 4 1 1 2 4 2
+>
+>
+> aggregate(nor,list(member.by.3),mean)
+  Group.1 Fixed_charge        RoR        Cost       Load
+       1    0.3068832  0.4326015 -0.31481203 -0.3743722
+       2   -0.4991075 -0.7113763  0.07812761  1.3365904
+       3   -0.6002757 -0.8331800  1.33891013 -0.4805802
+    D.Demand      Sales    Nuclear  Fuel_Cost
+-0.2605107 -0.1575387  0.3692252 -0.2389329
+  0.1343994 -0.6728046 -0.6050529  1.2484717
+  0.9917178  1.8565214 -0.7146294 -0.9657660
+> aggregate(nor,list(member.by.3),sd)
+  Group.1 Fixed_charge       RoR      Cost      Load  D.Demand
+       1    0.9132159 0.8165532 0.8995420 0.7412840 0.9032477
+       2    0.9530092 1.0599834 0.5980215 0.5929804 1.0733867
+       3    1.2001155 0.5500030 1.0616363 0.6567217 0.9471751
+      Sales   Nuclear Fuel_Cost
+0.7392081 1.0933974 0.7974146
+0.2022460 0.2163074 0.4969827
+0.6253048 0.0000000 0.4212819
+>
+> wss <- (nrow(nor)-1)*sum(apply(nor,2,var))
+> for (i in 2:20)
++   wss[i] <- sum(kmeans(nor, centers=i)$withinss)
+> plot(1:20, wss,
++      type="b",
++      xlab="Number of Clusters",
++      ylab="Within groups sum of squares")
+>
+>
+> # kmeans clustering
+> set.seed(123)
+> kc<-kmeans(nor, 3)
+> kc
+K-means clustering with 3 clusters of sizes 7, 5, 10
+Cluster means:
+  Fixed_charge         RoR       Cost       Load    D.Demand
+  -0.23896065 -0.65917479  0.2556961  0.7992527 -0.05435116
+   0.51980100  1.02655333 -1.2959473 -0.5104679 -0.83409247
+  -0.09262805 -0.05185431  0.4689864 -0.3042429  0.45509205
+       Sales    Nuclear  Fuel_Cost
+-0.8604593 -0.2884040  1.2497562
+  0.5120458 -0.4466434 -0.3174391
+  0.3462986  0.4252045 -0.7161098
+Clustering vector:
+ [1] 3 1 2 3 1 2 1 3 3 3 3 1 3 2 1 3 1 2 2 3 1 3
+Within cluster sum of squares by cluster:
+[1] 34.16481 15.15613 57.53424
+ (between_SS / total_SS =  36.4 %)
+Available components:
+[1] "cluster"      "centers"      "totss"        "withinss"
+[5] "tot.withinss" "betweenss"    "size"         "iter"
+[9] "ifault"
+>
+> # install.packages("cluster")
+> library(cluster)
+>
+> ot<-nor
+> datadistshortset <- dist(ot, method = "euclidean")
+> hc1 <- hclust(datadistshortset, method = "complete" )
+> pamvshortset <- pam(datadistshortset, 4, diss = FALSE)
+> clusplot(pamvshortset, shade = FALSE,
++          labels=2,
++          col.clus="blue",
++          col.p="red",
++          span=FALSE,
++          main="Cluster Mapping",
++          cex=1.2)
+>
+> # kmeans
+> # install.packages("factoextra")
+> library(factoextra)
+> k2 <- kmeans(nor, centers = 3, nstart = 25)
+> str(k2)
+List of 9
+ $ cluster     : int [1:22] 3 2 3 3 2 3 2 1 3 3 ...
+ $ centers     : num [1:3, 1:8] -0.6 -0.239 0.289 -0.833 -0.659 ...
+  ..- attr(*, "dimnames")=List of 2
+  .. ..$ : chr [1:3] "1" "2" "3"
+  .. ..$ : chr [1:8] "Fixed_charge" "RoR" "Cost" "Load" ...
+ $ totss       : num 168
+ $ withinss    : num [1:3] 9.53 34.16 58.01
+ $ tot.withinss: num 102
+ $ betweenss   : num 66.3
+ $ size        : int [1:3] 3 7 12
+ $ iter        : int 2
+ $ ifault      : int 0
+ - attr(*, "class")= chr "kmeans"
+>
+> fviz_cluster(k2, data = nor)
+> fviz_nbclust(nor, kmeans, method = "wss")
+> fviz_nbclust(nor, kmeans, method = "silhouette")
+>
+> gap_stat <- clusGap(nor, FUN = kmeans,
++                     nstart = 25, K.max = 10, B = 50)
+Clustering k = 1,2,..., K.max (= 10): .. done
+Bootstrapping, b = 1,2,..., B (= 50)  [one "." per sample]:
+.................................................. 50
+> fviz_gap_stat(gap_stat)
+>
+</code>
+{{:pasted:20241125-084208.png}}
+{{:pasted:20241125-084217.png}}
+{{:pasted:20241125-084238.png}}
+{{:pasted:20241125-084251.png}}
+{{:pasted:20241125-084259.png}}
+{{:pasted:20241125-084307.png}}
+{{:pasted:20241125-084325.png}}
+{{:pasted:20241125-084337.png}}
+{{:pasted:20241125-084346.png}}
+----
+{{:pasted:20241125-084358.png}}
+{{:pasted:20241125-084405.png}}
+{{:pasted:20241125-084413.png}}
+{{:pasted:20241125-084421.png}}
+{{:pasted:20241125-084429.png}}
+{{:pasted:20241125-084440.png}}
+{{:pasted:20241125-084450.png}}
+{{:pasted:20241125-084501.png}}
+{{:pasted:20241125-084511.png}}
+{{:pasted:20241125-084521.png}}
+{{:pasted:20241125-084533.png}}
+{{:pasted:20241125-084541.png}}
+{{:pasted:20241125-084552.png}}