分类 来源网络 分群

#背景：某次3门考试后，根据成绩，决定有限资源倾斜
#目标：将学生进行分层，便于后期聚焦管理


#环境设置

options(digits = 2) 

#数据输入

Student<-c("John Davis","Angela Williams","Bullwinkle Moose","David Jones",  
           "Janice Markhammer","Cheryl Cushing","Reuven Ytzrhak","Greg Knox",  
           "Joel England","Mary Rayburn")  
Math<-c(502,600,412,358,495,512,410,625,573,522)  
Science<-c(95,99,80,82,75,85,80,95,89,86)  
English<-c(25,22,18,15,20,28,15,30,27,18)  
roster<-data.frame(Student,Math,Science,English,stringsAsFactors = FALSE)  

#数据观察

head(roster)  
dim(roster)
summary(roster)

#对各门分数进行标准化，给出标准化后的平均得分

z<-scale(roster[,2:4])  
score<-apply(z, 1, mean)  
roster<-cbind(roster,score)  

#生成分位数值

y<-quantile(score,c(.8,.6,.4,.2))  

#对集合进行分类

roster$grade<-1
roster<-within(roster,{
		grade[score>y[1]]<-1
		grade[score>y[2] & score<=y[1]]<-2
		grade[score>y[3] & score<=y[2]]<-3
		grade[score>y[4] & score<=y[3]]<-4
		grade[score<=y[4]]             <-5})

#对结果进行排序

roster<-roster[order(-roster$score),]

#将学生名字分割为姓和名，并生成最终结果 

name<-strsplit((roster$Student)," ")  
lastname<-sapply(name,"[",2)  
fristname<-sapply(name,"[",1)
roster<-cbind(fristname,lastname,roster[,-1])  
roster

总结：

1、分类技术的目的，是将庞大的集合，进行分解，有针对性的进行处理；

2、分类的依据：A、标准衡量标尺；B、相似度