Upload New File

k-medias_codo.py

+import pandas as pd
+from sklearn.cluster import KMeans
+from sklearn.preprocessing import StandardScaler
+import matplotlib.pyplot as plt
+
+# Función para cargar los datos desde un archivo CSV
+def cargar_datos_csv(nombre_archivo):
+    df = pd.read_csv(nombre_archivo)
+    columnas_deseadas = ['cpu', 'cpus', 'diskread', 'diskwrite', 'maxmem', 'mem', 'netin', 'netout']
+    df_seleccionado = df[columnas_deseadas]
+    return df_seleccionado
+
+# Función para realizar el análisis de conglomerados con el criterio del codo
+def analisis_conglomerados_criterio_codo(datos):
+    # Estandarizar los datos
+    scaler = StandardScaler()
+    datos_escalados = scaler.fit_transform(datos)
+    
+    # Aplicar K-Means y calcular SSE para diferentes números de clústeres
+    sse = {}
+    for k in range(1, 23):
+        kmeans = KMeans(n_clusters=k, random_state=42)
+        kmeans.fit(datos_escalados)
+        sse[k] = kmeans.inertia_  # Suma de las distancias cuadradas de las muestras al centroide más cercano
+
+    # Graficar el criterio del codo
+    plt.figure(figsize=(10, 6))
+    plt.plot(list(sse.keys()), list(sse.values()), 'bx-')
+    plt.xlabel('Número de clústeres (k)')
+    plt.ylabel('SSE')
+    plt.title('El método del codo para determinar k óptimo')
+    plt.savefig('codo.png')
+
+    return sse
+
+# Punto de entrada del programa
+if __name__ == '__main__':
+    # Pedir al usuario que introduzca la ruta al archivo CSV
+    nombre_archivo = "datos_normalizados.csv"
+    
+    # Cargar los datos
+    try:
+        datos = cargar_datos_csv(nombre_archivo)
+        # Realizar el análisis de conglomerados con el criterio del codo
+        analisis_conglomerados_criterio_codo(datos)
+    except Exception as e:
+        print(f"Ha ocurrido un error al cargar los datos: {e}")
\ No newline at end of file