Categories: R

R 主成分與階層式集群分析 HCPC 教學：使用 FactoMineR 套件

介紹如何在 R 中使用 FactoMineR 套件進行主成分與階層式集群分析 HCPC 分析。

群集分析（clustering）是一種在多變量分析中很重要的資料探勘方法，其目的在於依據資料相似度找出適當的分群方式，常見的群集分析有階層式分群（hierarchical clustering）與分割式分群（partitioning clustering，例如 k-means）兩種。

HCPC（Hierarchical Clustering on Principal Components）是將多變量分析上的三種分析方法結合起來使用：

  • 各種主成分分析法（PCA、CA、MCA、FAMD、MFA）。
  • 階層式分群。
  • 分割式分群。

以下將介紹為什麼要結合主成分與分群分析方法，並以 R 實作分析流程。

為什麼需要使用 HCPC？

連續型變數

當資料的維度很高（變數很多）、且資料類型屬於連續型變數時，主成分分析（PCA）可以降低資料的維度、保留重要的特徵，接著再以群集分析對主成分分析的結果進行分群。

我們可將主成分分析視為一種去除雜訊的步驟，讓群集分析的結果更加穩定，這個方法在資料維度較高的時候非常有用，例如基因表現資料。

類別型變數

若需要對類別型變數的資料進行群集分析，可先以對應分析（correspondence analysis，簡稱 CA，針對列聯表）與多重對應分析（multiple correspondence analysis，MCA，針對多維度類別型變數）將資料轉換成連續型變數（主成分），後續再以群集分析接著處理。

在這種狀況下，CA 或 MCA 可被視為一種將類別型變數轉換為連續型變數的資料前處理。

混合型變數

資料同時包含連續型與類別型兩種變數時，可以使用 FAMD（factor analysis of mixed data）或 MFA（multiple factor analysis）方法，後續再以群集分析接著處理。

R FactoMineR 套件

在 R 的 FactoMineR 套件中實作了 HCPC 分析方法，其分析流程如下：

  1. 各類主成分分析：包含 PCA、CA、MCA、MFA（依據資料類型與資料集結構選擇對應方法），在這個分析步驟中，可以選擇要保留多少主成分（預設值為 5）。
  2. 階層式分群：使用選定的各個主成分，根據華德法（Ward’s method）進行階層式分群。選用華德法的原因在於華德法與主成分分析的計算依據相同，都是資料的變異數（variance）。
  3. 根據階層樹選定群集個數，建立起始的資料分群。
  4. 分割式分群：以階層式分群結果為初始值，進行 k-means 分群。

這裡我們除了使用 FactoMineR 套件進行 HCPC 分析之外，還需要使用到 factoextra 套件來呈現視覺化的結果。首先安裝並載入這兩個必要套件：

# 安裝必要 R 套件
install.packages(c("FactoMineR", "factoextra"))

# 載入必要 R 套件
library(factoextra)
library(FactoMineR)

在FactoMineR 套件中最主要的分析工具就是 HCPC 這個函數，他可以接受各類主成分分析的結果，進行階層式分群，此函數的基本用法如下：

# HCPC 函數用法
HCPC(res, nb.clust = 0, min = 3, max = NULL, graph = TRUE)
  • res：各類主成分分析結果，可為 CA 分析的結果或 data.frame。
  • nb.clust：指定分群的群集個數，若為 0 則代表由使用者動態指定，若為 -1 則代表自動判斷最適合的分群。
  • min 與 max：群集個數的下限與上限。
  • graph：是否要以圖形顯示結果。

連續型變數實際範例

這裡我們以 USArrests 這個資料集為例，其資料結構如下：

# 查看資料結構
str(USArrests)
'data.frame':   50 obs. of  4 variables:
 $ Murder  : num  13.2 10 8.1 8.8 9 7.9 3.3 5.9 15.4 17.4 ...
 $ Assault : int  236 263 294 190 276 204 110 238 335 211 ...
 $ UrbanPop: int  58 48 80 50 91 78 77 72 80 60 ...
 $ Rape    : num  21.2 44.5 31 19.5 40.6 38.7 11.1 15.8 31.9 25.8 ...

先以 PCA 函數對連續型資料進行主成分分析：

# 主成分分析
res.pca <- PCA(USArrests, ncp = 3, graph = FALSE)

這裡我們保留前三個主成分（ncp = 3），並且不顯示圖形（graph = FALSE）。

若需要查看 PCA 所繪製的圖形，可以執行：

# 繪製主成分分析相關圖形
plot(res.pca, choix = "ind")
plot(res.pca, choix = "var")
plot(res.pca, choix = "varcor") # 當 scale.unit=FALSE 時使用

接著進行 HCPC 分析：

# HCPC 分析
res.hcpc <- HCPC(res.pca, graph = FALSE)

使用 factoextra 套件的 fviz_dend 繪製由階層式分群所產生的樹狀圖：

# 樹狀圖
fviz_dend(res.hcpc,
          cex = 0.7,                     # 文字大小
          palette = "jco",               # 文字配色（可參考 ?ggpubr::ggpar）
          rect = TRUE, rect_fill = TRUE, # 加入分群標示方框
          rect_border = "jco",           # 方框配色
          labels_track_height = 0.8)     # 文字顯示空間
樹狀圖

這裡它將資料分為四群，從樹狀圖看起來四群的結構很漂亮，各群之間都有一定的距離。

我們也可以用 fviz_cluster 函數將每筆資料畫在主成分的座標圖形中，並以顏色標示分群，觀察群聚的情況：

# 群聚圖
fviz_cluster(res.hcpc,
             repel = TRUE,              # 避免文字重疊
             show.clust.cent = TRUE,    # 顯示各群中心點
             palette = "jco")           # 文字配色（可參考 ?ggpubr::ggpar）
群聚圖

亦可將樹狀圖與群聚圖合併成一張 3D 的圖形：

# 樹狀圖與群聚圖合併
plot(res.hcpc, choice = "3D.map")
樹狀圖與群聚圖合併

在 HCPC 的分析結果（res.hcpc）中，還包含了許多資訊：

  • data.clust：原始資料外加一欄分群資訊。
  • desc.var：變數相關的分群資訊。
  • desc.ind：個體相關的分群資訊。
  • desc.axes：主成分座標軸相關的分群資訊。

原始資料加上分群結果可由 data.clust 取得：

# 原始資料加上分群結
head(res.hcpc$data.clust)
           Murder Assault UrbanPop Rape clust
Alabama      13.2     236       58 21.2     3
Alaska       10.0     263       48 44.5     4
Arizona       8.1     294       80 31.0     4
Arkansas      8.8     190       50 19.5     3
California    9.0     276       91 40.6     4
Colorado      7.9     204       78 38.7     4

檢視變數相關的分群資訊（呼叫 catdes 函數分析的結果）：

# 變數相關的分群資訊
res.hcpc$desc.var$quanti
$`1`
            v.test Mean in category Overall mean sd in category Overall sd
UrbanPop -3.898420         52.07692       65.540       9.691087  14.329285
Murder   -4.030171          3.60000        7.788       2.269870   4.311735
Rape     -4.052061         12.17692       21.232       3.130779   9.272248
Assault  -4.638172         78.53846      170.760      24.700095  82.500075
              p.value
UrbanPop 9.682222e-05
Murder   5.573624e-05
Rape     5.076842e-05
Assault  3.515038e-06

$`2`
            v.test Mean in category Overall mean sd in category Overall sd
UrbanPop  2.793185         73.87500       65.540       8.652131  14.329285
Murder   -2.374121          5.65625        7.788       1.594902   4.311735
             p.value
UrbanPop 0.005219187
Murder   0.017590794

$`3`
            v.test Mean in category Overall mean sd in category Overall sd
Murder    4.357187          13.9375        7.788       2.433587   4.311735
Assault   2.698255         243.6250      170.760      46.540137  82.500075
UrbanPop -2.513667          53.7500       65.540       7.529110  14.329285
              p.value
Murder   1.317449e-05
Assault  6.970399e-03
UrbanPop 1.194833e-02

$`4`
           v.test Mean in category Overall mean sd in category Overall sd
Rape     5.352124         33.19231       21.232       6.996643   9.272248
Assault  4.356682        257.38462      170.760      41.850537  82.500075
UrbanPop 3.028838         76.00000       65.540      10.347798  14.329285
Murder   2.913295         10.81538        7.788       2.001863   4.311735
              p.value
Rape     8.692769e-08
Assault  1.320491e-05
UrbanPop 2.454964e-03
Murder   3.576369e-03

檢視主成分座標軸相關的分群資訊（呼叫 catdes 函數分析的結果）：

# 主成分座標軸相關的分群資訊
res.hcpc$desc.axes$quanti
$`1`
         v.test Mean in category  Overall mean sd in category Overall sd
Dim.1 -5.175764        -1.964502 -5.639933e-16      0.6192556   1.574878
           p.value
Dim.1 2.269806e-07

$`2`
        v.test Mean in category  Overall mean sd in category Overall sd
Dim.2 3.585635        0.7428712 -5.369316e-16      0.6137936  0.9948694
           p.value
Dim.2 0.0003362596

$`3`
         v.test Mean in category  Overall mean sd in category Overall sd
Dim.1  2.058338        1.0610731 -5.639933e-16      0.5146613  1.5748783
Dim.3  2.028887        0.3965588  3.535366e-17      0.3714503  0.5971291
Dim.2 -4.536594       -1.4773302 -5.369316e-16      0.5750284  0.9948694
           p.value
Dim.1 3.955769e-02
Dim.3 4.246985e-02
Dim.2 5.717010e-06

$`4`
        v.test Mean in category  Overall mean sd in category Overall sd
Dim.1 4.986474         1.892656 -5.639933e-16      0.6126035   1.574878
           p.value
Dim.1 6.149115e-07

檢視個體相關的分群資訊（para 是最接近群聚中心的幾個個體，dist 是最遠離群聚中心的幾個個體）：

# 最接近群聚中心的幾個個體
res.hcpc$desc.ind$para
Cluster: 1
        Idaho  South Dakota         Maine          Iowa New Hampshire 
    0.3674381     0.4993032     0.5012072     0.5533105     0.5891145 
------------------------------------------------------------ 
Cluster: 2
        Ohio     Oklahoma Pennsylvania       Kansas      Indiana 
   0.2796100    0.5047549    0.5088363    0.6039091    0.7100820 
------------------------------------------------------------ 
Cluster: 3
       Alabama South Carolina        Georgia      Tennessee      Louisiana 
     0.3553460      0.5335189      0.6136865      0.8522640      0.8780872 
------------------------------------------------------------ 
Cluster: 4
  Michigan    Arizona New Mexico   Maryland      Texas 
 0.3246254  0.4532480  0.5176322  0.9013514  0.9239792
# 最遠離群聚中心的幾個個體
res.hcpc$desc.ind$dist
Cluster: 1
      Vermont  North Dakota West Virginia  South Dakota         Maine 
     3.322204      2.892724      2.729278      2.248533      2.228610 
------------------------------------------------------------ 
Cluster: 2
 Rhode Island Massachusetts          Utah    New Jersey    Washington 
     2.663499      2.492513      2.321858      2.270583      2.225956 
------------------------------------------------------------ 
Cluster: 3
   Mississippi North Carolina South Carolina       Arkansas        Alabama 
      3.065029       2.925245       2.430529       1.912159       1.884601 
------------------------------------------------------------ 
Cluster: 4
    Nevada California     Alaska    Florida   Colorado 
  3.285915   3.193428   2.624992   2.431217   2.364583

類別型變數實際範例

這裡我們以 FactoMineR 套件中所附帶的 tea 資料集來示範類別型的資料分析流程。

# 載入 tea 資料集
data(tea)

# 查看資料結構
str(tea)
'data.frame':	300 obs. of  36 variables:
 $ breakfast       : Factor w/ 2 levels "breakfast","Not.breakfast": 1 1 2 2 1 2 1 2 1 1 ...
 $ tea.time        : Factor w/ 2 levels "Not.tea time",..: 1 1 2 1 1 1 2 2 2 1 ...
 $ evening         : Factor w/ 2 levels "evening","Not.evening": 2 2 1 2 1 2 2 1 2 1 ...
 $ lunch           : Factor w/ 2 levels "lunch","Not.lunch": 2 2 2 2 2 2 2 2 2 2 ...
 $ dinner          : Factor w/ 2 levels "dinner","Not.dinner": 2 2 1 1 2 1 2 2 2 2 ...
 $ always          : Factor w/ 2 levels "always","Not.always": 2 2 2 2 1 2 2 2 2 2 ...
 $ home            : Factor w/ 2 levels "home","Not.home": 1 1 1 1 1 1 1 1 1 1 ...
 $ work            : Factor w/ 2 levels "Not.work","work": 1 1 2 1 1 1 1 1 1 1 ...
 $ tearoom         : Factor w/ 2 levels "Not.tearoom",..: 1 1 1 1 1 1 1 1 1 2 ...
 $ friends         : Factor w/ 2 levels "friends","Not.friends": 2 2 1 2 2 2 1 2 2 2 ...
 $ resto           : Factor w/ 2 levels "Not.resto","resto": 1 1 2 1 1 1 1 1 1 1 ...
 $ pub             : Factor w/ 2 levels "Not.pub","pub": 1 1 1 1 1 1 1 1 1 1 ...
 $ Tea             : Factor w/ 3 levels "black","Earl Grey",..: 1 1 2 2 2 2 2 1 2 1 ...
 $ How             : Factor w/ 4 levels "alone","lemon",..: 1 3 1 1 1 1 1 3 3 1 ...
 $ sugar           : Factor w/ 2 levels "No.sugar","sugar": 2 1 1 2 1 1 1 1 1 1 ...
 $ how             : Factor w/ 3 levels "tea bag","tea bag+unpackaged",..: 1 1 1 1 1 1 1 1 2 2 ...
 $ where           : Factor w/ 3 levels "chain store",..: 1 1 1 1 1 1 1 1 2 2 ...
 $ price           : Factor w/ 6 levels "p_branded","p_cheap",..: 4 6 6 6 6 3 6 6 5 5 ...
 $ age             : int  39 45 47 23 48 21 37 36 40 37 ...
 $ sex             : Factor w/ 2 levels "F","M": 2 1 1 2 2 2 2 1 2 2 ...
 $ SPC             : Factor w/ 7 levels "employee","middle",..: 2 2 4 6 1 6 5 2 5 5 ...
 $ Sport           : Factor w/ 2 levels "Not.sportsman",..: 2 2 2 1 2 2 2 2 2 1 ...
 $ age_Q           : Factor w/ 5 levels "15-24","25-34",..: 3 4 4 1 4 1 3 3 3 3 ...
 $ frequency       : Factor w/ 4 levels "1/day","1 to 2/week",..: 1 1 3 1 3 1 4 2 3 3 ...
 $ escape.exoticism: Factor w/ 2 levels "escape-exoticism",..: 2 1 2 1 1 2 2 2 2 2 ...
 $ spirituality    : Factor w/ 2 levels "Not.spirituality",..: 1 1 1 2 2 1 1 1 1 1 ...
 $ healthy         : Factor w/ 2 levels "healthy","Not.healthy": 1 1 1 1 2 1 1 1 2 1 ...
 $ diuretic        : Factor w/ 2 levels "diuretic","Not.diuretic": 2 1 1 2 1 2 2 2 2 1 ...
 $ friendliness    : Factor w/ 2 levels "friendliness",..: 2 2 1 2 1 2 2 1 2 1 ...
 $ iron.absorption : Factor w/ 2 levels "iron absorption",..: 2 2 2 2 2 2 2 2 2 2 ...
 $ feminine        : Factor w/ 2 levels "feminine","Not.feminine": 2 2 2 2 2 2 2 1 2 2 ...
 $ sophisticated   : Factor w/ 2 levels "Not.sophisticated",..: 1 1 1 2 1 1 1 2 2 1 ...
 $ slimming        : Factor w/ 2 levels "No.slimming",..: 1 1 1 1 1 1 1 1 1 1 ...
 $ exciting        : Factor w/ 2 levels "exciting","No.exciting": 2 1 2 2 2 2 2 2 2 2 ...
 $ relaxing        : Factor w/ 2 levels "No.relaxing",..: 1 1 2 2 2 2 2 2 2 2 ...
 $ effect.on.health: Factor w/ 2 levels "effect on health",..: 2 2 2 2 2 2 2 2 2 2 ...

首先以 MCA 進行處理，並保留 MCA 的前 20 維度：

# MCA 分析
res.mca <- MCA(tea,
               ncp = 20,             # 保留前 20 維度
               quanti.sup = 19,      # 連續型補充變數
               quali.sup = c(20:36), # 類別型補充變數
               graph = FALSE)

res.mca 之中有許多 MCA 的分析結果資訊，例如查看各維度的變異數比重：

# 查看各維度的變異數比例
res.mca$eig
       eigenvalue percentage of variance cumulative percentage of variance
dim 1  0.14827441               9.884961                          9.884961
dim 2  0.12154673               8.103115                         17.988076
dim 3  0.09000954               6.000636                         23.988712
dim 4  0.07805440               5.203627                         29.192339
dim 5  0.07374870               4.916580                         34.108919
dim 6  0.07138044               4.758696                         38.867615
dim 7  0.06782906               4.521937                         43.389552
dim 8  0.06532655               4.355103                         47.744656
dim 9  0.06184167               4.122778                         51.867433
dim 10 0.05852817               3.901878                         55.769311
dim 11 0.05707772               3.805181                         59.574493
dim 12 0.05441920               3.627946                         63.202439
dim 13 0.05192969               3.461979                         66.664418
dim 14 0.04874462               3.249641                         69.914060
dim 15 0.04831065               3.220710                         73.134770
dim 16 0.04690465               3.126977                         76.261747
dim 17 0.04554779               3.036519                         79.298266
dim 18 0.04024922               2.683281                         81.981547
dim 19 0.03812120               2.541414                         84.522961
dim 20 0.03657138               2.438092                         86.961053
dim 21 0.03566464               2.377643                         89.338696
dim 22 0.03484898               2.323266                         91.661961
dim 23 0.03082882               2.055255                         93.717216
dim 24 0.02873151               1.915434                         95.632650
dim 25 0.02732068               1.821378                         97.454028
dim 26 0.02110048               1.406699                         98.860727
dim 27 0.01708910               1.139273                        100.000000

接著進行 HCPC 分析：

# HCPC 分析
res.hcpc <- HCPC (res.mca, graph = FALSE, max = 3)

繪製樹狀圖：

# 樹狀圖
fviz_dend(res.hcpc, show_labels = FALSE, palette = "jco")
樹狀圖

繪製群聚圖：

# 群聚圖
fviz_cluster(res.hcpc, geom = "point", palette = "jco")
群聚圖

這裡一樣可以從 HCPC 分析的結果中取得各種分群的細部資訊：

# 原始資料加上分群結
head(res.hcpc$data.clust)

# 變數相關的分群資訊
res.hcpc$desc.var$category
res.hcpc$desc.var$test.chi2

# 主成分座標軸相關的分群資訊
res.hcpc$desc.axes$quanti
res.hcpc$desc.axes$quanti.var

# 最接近群聚中心的幾個個體
res.hcpc$desc.ind$para

# 最遠離群聚中心的幾個個體
res.hcpc$desc.ind$dist

參考資料：STHDA、HCPC、FactoMineR、RPubs、群集分析
Share
Published by
Office Guide
4 年 ago

Recent Posts

Python 使用 PyAutoGUI 自動操作滑鼠與鍵盤

本篇介紹如何在 Python ...

1 年 ago

Ubuntu Linux 以 WireGuard 架設 VPN 伺服器教學與範例

本篇介紹如何在 Ubuntu ...

1 年 ago

Linux 網路設定 ip 指令用法教學與範例

本篇介紹如何在 Linux 系...

1 年 ago

Windows 使用 TPM 虛擬智慧卡保護 SSH 金鑰教學與範例

本篇介紹如何在 Windows...

1 年 ago

Linux 以 Shamir’s Secret Sharing 分割保存金鑰教學與範例

介紹如何在 Linux 中使用...

1 年 ago

Linux 以 Cryptsetup、LUKS 加密 USB 隨身碟教學與範例

介紹如何在 Linux 系統中...

1 年 ago