# KMeans2D - diagramfunktion
KMeans2D() utvärderar raderna i diagrammet genom att tillämpa k-medelvärdesklustring, och för varje diagramrad visas kluster-ID för klustret som den datapunkten tilldelats till. Kolumnerna som används av klusteralgoritmen avgörs av parametrarna coordinate\_1 respektive coordinate\_2. Dessa är båda aggregeringar. Antalet kluster som skapas avgörs av parametern num\_clusters. Data normaliseras med normparametern (valfritt).
KMeans2D returnerar ett värde per datapunkt. Det returnerade värdet är en dual och är det heltalsvärde som motsvarar klustret varje datapunkt har tilldelats till.
Syntax:
KMeans2D(num\_clusters, coordinate\_1, coordinate\_2 [, norm])
Returnerad datatyp: dual
Argument:
Argument
| Argument | Beskrivning |
| --- | --- |
| num\_clusters | Heltal som anger antalet kluster. |
| coordinate\_1 | Aggregeringen som beräknar den första koordinaten, vanligtvis x-axeln på spridningsdiagrammet som kan skapas från diagrammet. Den ytterligare parametern, coordinate\_2, beräknar den andra koordinaten. |
| norm | Den valfria normaliseringsmetoden tillämpas på datauppsättningen före k-medelvärdesklustring.
Möjliga värden:
0 eller ”none” för ingen normalisering
1 eller ”zscore” för z-poängsnormalisering
2 eller ”minmax” för min-max-normalisering
Om ingen parameter anges eller om den angivna parametern är felaktig används ingen normalisering.
Z-poäng normaliserar data baserat på funktionens median och standardavvikelse. Z-poäng säkerställer inte att varje funktion har samma skala men det fungerar bättre än min-max för behandling av outliers.
Min-max-normalisering säkerställer att funktionerna har samma skala genom att ta de minsta och största värdena för varje och räkna om varje datapunkt. |
[](https://help.qlik.com/en-US/cloud-services/Subsystems/Hub/Content/Sense_Hub/ChartFunctions/RelationalFunctions/KMeans2D.htm)
#### Exempel: diagramuttryck
I det här exemplet skapar vi ett spridningsdiagram med datauppsättningen Iris, och använder sedan KMeans för att färglägga data efter uttryck.
Vi skapar även en variabel för argumentet num\_clusters, och sedan använder vi en variabelinmatningsruta för att ändra antalet kluster.
Datauppsättningen Iris finns offentligt tillgänglig i en mängd format. Vi tillhandahåller dessa data som en inline-tabell som laddas med Skriptredigeraren i Qlik Sense. Observera att vi lagt till en ID-kolumn i datatabellen i det här exemplet.
[Iris-datauppsättning: inline-laddning för Dataladdningsredigeraren i Qlik Sense](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/ChartFunctions/RelationalFunctions/KMeans2D.htm#IrisData)
När vi laddat data i Qlik Sense, gör vi följande:
1. Dra ett spridningsdiagram till ett nytt ark. Döp diagrammet till Kronblad (färg per uttryck).
2. Skapa en variabel för att ange antalet kluster. För variabeln Namn anger du KmeansPetalClusters. För variabeln Definition anger du =2.
3. Konfigurera Data för diagrammet:
1. Under Dimensioner väljer du id för fältet Bubbla. Ange ett kluster-ID för Etikett.
2. Under Mått väljer du Sum([petal.length]) för uttrycket för X-axel.
3. Under Mått väljer du Sum([petal.width]) för uttrycket för Y-axel.
Datainställningar för diagrammet Kronblad (färg per uttryck)
Datainställningar för diagrammet Kronblad (färg per uttryck)
Datainställningar för diagrammet Kronblad (färg per uttryck)Kronblad (färg per uttryck)
Datapunkterna ritas ut på diagrammet.
Datapunkter på diagrammet Kronblad (färg per uttryck)
Datapunkter på diagrammet Kronblad (färg per uttryck)
Datapunkter på diagrammet Kronblad (färg per uttryck)Kronblad (färg per uttryck)
4. Konfigurera Utseende för diagrammet:
1. Under Färger och teckenförklaring väljer du Anpassad för Färger.
2. Välj att färglägga diagrammetPer uttryck.
3. Ange följande för Uttryck: kmeans2d($(KmeansPetalClusters), Sum([petal.length]), Sum([petal.width]))
Observera att KmeansPetalClusters är variabeln vi angav som 2.
Eller ange följande: kmeans2d(2, Sum([petal.length]), Sum([petal.width]))
4. Avmarkera kryssrutan Uttrycket är en färgkod.
5. Ange följande för Etikett: Kluster-ID
Utseendeinställningar för diagrammet Petal (color by expression)
Utseendeinställningar för diagrammet Petal (color by expression)
Utseendeinställningar för diagrammet Petal (color by expression)Petal (color by expression)
De två klustren i diagrammet färgläggs per KMeans-uttrycket.
Klustren färglagda per uttryck i diagrammet Kronblad (färg per uttryck)
Klustren färglagda per uttryck i diagrammet Kronblad (färg per uttryck)
Klustren färglagda per uttryck i diagrammet Kronblad (färg per uttryck)Kronblad (färg per uttryck)
5. Lägg till en Variabelinmatning-ruta för antalet kluster.
1. I resurspanelen, öppna Diagram.
2. Under Instrumentpanelsobjekt, dra en Variabelinmatning-ruta till arket.
Om vi inte hade tillgång till dashboard-buntan kunde vi fortfarande ändra antalet kluster med hjälp av den variabel som vi skapade, eller direkt som ett heltal i uttrycket.
3. Under Utseende, klicka på Allmänt.
4. Ange följande för Titel: Kluster
5. Klicka på Variabel.
6. Välj följande variabel för Namn: KmeansPetalClusters.
7. Välj Reglage för Visa som.
8. Välj Värden, och konfigurera inställningarna efter behov,
Utseende för Kluster variabel inmatningsruta
Utseende för Kluster variabel inmatningsruta
Utseende för KlusterKluster variabel inmatningsruta 
När vi är klara med redigeringen kan vi ändra antalet kluster med hjälp av skjutreglaget i inmatningsrutan för variabeln Kluster.
Klustren färglagda per uttryck i diagrammet Kronblad (färg per uttryck)
Klustren färglagda per uttryck i diagrammet Kronblad (färg per uttryck)
Klustren färglagda per uttryck i diagrammet Kronblad (färg per uttryck)Kronblad (färg per uttryck) 
Automatisk klustring
KMeans-funktioner stöder automatisk klustring med en metod som kallas djupskillnad (depth difference, DeD). När användaren anger 0 som antal kluster bestäms ett optimalt antal kluster för den datauppsättningen. Observera att medan ett heltal som anges för antalet kluster (k) inte returneras explicit, beräknas det inom KMeans-algoritmen. Om till exempel 0 specificeras i funktionen för värdet av KmeansPetalClusters eller anges via en variabelindataruta, beräknas klustertilldelningar automatiskt för datauppsättningen baserat på ett optimalt antal kluster.
Metoden KMeans-djupskillnad avgör det optimala antalet kluster när (k) är inställt på 0
Metoden KMeans-djupskillnad avgör det optimala antalet kluster när (k) är inställt på 0
Metoden KMeans-djupskillnad avgör det optimala antalet kluster när (k) är inställt på 0 
#### Iris-datauppsättning: inline-laddning för Dataladdningsredigeraren i Qlik Sense
```
IrisData:
Load * Inline [
sepal.length, sepal.width, petal.length, petal.width, variety, id
5.1, 3.5, 1.4, 0.2, Setosa, 1
4.9, 3, 1.4, 0.2, Setosa, 2
4.7, 3.2, 1.3, 0.2, Setosa, 3
4.6, 3.1, 1.5, 0.2, Setosa, 4
5, 3.6, 1.4, 0.2, Setosa, 5
5.4, 3.9, 1.7, 0.4, Setosa, 6
4.6, 3.4, 1.4, 0.3, Setosa, 7
5, 3.4, 1.5, 0.2, Setosa, 8
4.4, 2.9, 1.4, 0.2, Setosa, 9
4.9, 3.1, 1.5, 0.1, Setosa, 10
5.4, 3.7, 1.5, 0.2, Setosa, 11
4.8, 3.4, 1.6, 0.2, Setosa, 12
4.8, 3, 1.4, 0.1, Setosa, 13
4.3, 3, 1.1, 0.1, Setosa, 14
5.8, 4, 1.2, 0.2, Setosa, 15
5.7, 4.4, 1.5, 0.4, Setosa, 16
5.4, 3.9, 1.3, 0.4, Setosa, 17
5.1, 3.5, 1.4, 0.3, Setosa, 18
5.7, 3.8, 1.7, 0.3, Setosa, 19
5.1, 3.8, 1.5, 0.3, Setosa, 20
5.4, 3.4, 1.7, 0.2, Setosa, 21
5.1, 3.7, 1.5, 0.4, Setosa, 22
4.6, 3.6, 1, 0.2, Setosa, 23
5.1, 3.3, 1.7, 0.5, Setosa, 24
4.8, 3.4, 1.9, 0.2, Setosa, 25
5, 3, 1.6, 0.2, Setosa, 26
5, 3.4, 1.6, 0.4, Setosa, 27
5.2, 3.5, 1.5, 0.2, Setosa, 28
5.2, 3.4, 1.4, 0.2, Setosa, 29
4.7, 3.2, 1.6, 0.2, Setosa, 30
4.8, 3.1, 1.6, 0.2, Setosa, 31
5.4, 3.4, 1.5, 0.4, Setosa, 32
5.2, 4.1, 1.5, 0.1, Setosa, 33
5.5, 4.2, 1.4, 0.2, Setosa, 34
4.9, 3.1, 1.5, 0.1, Setosa, 35
5, 3.2, 1.2, 0.2, Setosa, 36
5.5, 3.5, 1.3, 0.2, Setosa, 37
4.9, 3.1, 1.5, 0.1, Setosa, 38
4.4, 3, 1.3, 0.2, Setosa, 39
5.1, 3.4, 1.5, 0.2, Setosa, 40
5, 3.5, 1.3, 0.3, Setosa, 41
4.5, 2.3, 1.3, 0.3, Setosa, 42
4.4, 3.2, 1.3, 0.2, Setosa, 43
5, 3.5, 1.6, 0.6, Setosa, 44
5.1, 3.8, 1.9, 0.4, Setosa, 45
4.8, 3, 1.4, 0.3, Setosa, 46
5.1, 3.8, 1.6, 0.2, Setosa, 47
4.6, 3.2, 1.4, 0.2, Setosa, 48
5.3, 3.7, 1.5, 0.2, Setosa, 49
5, 3.3, 1.4, 0.2, Setosa, 50
7, 3.2, 4.7, 1.4, Versicolor, 51
6.4, 3.2, 4.5, 1.5, Versicolor, 52
6.9, 3.1, 4.9, 1.5, Versicolor, 53
5.5, 2.3, 4, 1.3, Versicolor, 54
6.5, 2.8, 4.6, 1.5, Versicolor, 55
5.7, 2.8, 4.5, 1.3, Versicolor, 56
6.3, 3.3, 4.7, 1.6, Versicolor, 57
4.9, 2.4, 3.3, 1, Versicolor, 58
6.6, 2.9, 4.6, 1.3, Versicolor, 59
5.2, 2.7, 3.9, 1.4, Versicolor, 60
5, 2, 3.5, 1, Versicolor, 61
5.9, 3, 4.2, 1.5, Versicolor, 62
6, 2.2, 4, 1, Versicolor, 63
6.1, 2.9, 4.7, 1.4, Versicolor, 64
5.6, 2.9, 3.6, 1.3, Versicolor, 65
6.7, 3.1, 4.4, 1.4, Versicolor, 66
5.6, 3, 4.5, 1.5, Versicolor, 67
5.8, 2.7, 4.1, 1, Versicolor, 68
6.2, 2.2, 4.5, 1.5, Versicolor, 69
5.6, 2.5, 3.9, 1.1, Versicolor, 70
5.9, 3.2, 4.8, 1.8, Versicolor, 71
6.1, 2.8, 4, 1.3, Versicolor, 72
6.3, 2.5, 4.9, 1.5, Versicolor, 73
6.1, 2.8, 4.7, 1.2, Versicolor, 74
6.4, 2.9, 4.3, 1.3, Versicolor, 75
6.6, 3, 4.4, 1.4, Versicolor, 76
6.8, 2.8, 4.8, 1.4, Versicolor, 77
6.7, 3, 5, 1.7, Versicolor, 78
6, 2.9, 4.5, 1.5, Versicolor, 79
5.7, 2.6, 3.5, 1, Versicolor, 80
5.5, 2.4, 3.8, 1.1, Versicolor, 81
5.5, 2.4, 3.7, 1, Versicolor, 82
5.8, 2.7, 3.9, 1.2, Versicolor, 83
6, 2.7, 5.1, 1.6, Versicolor, 84
5.4, 3, 4.5, 1.5, Versicolor, 85
6, 3.4, 4.5, 1.6, Versicolor, 86
6.7, 3.1, 4.7, 1.5, Versicolor, 87
6.3, 2.3, 4.4, 1.3, Versicolor, 88
5.6, 3, 4.1, 1.3, Versicolor, 89
5.5, 2.5, 4, 1.3, Versicolor, 90
5.5, 2.6, 4.4, 1.2, Versicolor, 91
6.1, 3, 4.6, 1.4, Versicolor, 92
5.8, 2.6, 4, 1.2, Versicolor, 93
5, 2.3, 3.3, 1, Versicolor, 94
5.6, 2.7, 4.2, 1.3, Versicolor, 95
5.7, 3, 4.2, 1.2, Versicolor, 96
5.7, 2.9, 4.2, 1.3, Versicolor, 97
6.2, 2.9, 4.3, 1.3, Versicolor, 98
5.1, 2.5, 3, 1.1, Versicolor, 99
5.7, 2.8, 4.1, 1.3, Versicolor, 100
6.3, 3.3, 6, 2.5, Virginica, 101
5.8, 2.7, 5.1, 1.9, Virginica, 102
7.1, 3, 5.9, 2.1, Virginica, 103
6.3, 2.9, 5.6, 1.8, Virginica, 104
6.5, 3, 5.8, 2.2, Virginica, 105
7.6, 3, 6.6, 2.1, Virginica, 106
4.9, 2.5, 4.5, 1.7, Virginica, 107
7.3, 2.9, 6.3, 1.8, Virginica, 108
6.7, 2.5, 5.8, 1.8, Virginica, 109
7.2, 3.6, 6.1, 2.5, Virginica, 110
6.5, 3.2, 5.1, 2, Virginica, 111
6.4, 2.7, 5.3, 1.9, Virginica, 112
6.8, 3, 5.5, 2.1, Virginica, 113
5.7, 2.5, 5, 2, Virginica, 114
5.8, 2.8, 5.1, 2.4, Virginica, 115
6.4, 3.2, 5.3, 2.3, Virginica, 116
6.5, 3, 5.5, 1.8, Virginica, 117
7.7, 3.8, 6.7, 2.2, Virginica, 118
7.7, 2.6, 6.9, 2.3, Virginica, 119
6, 2.2, 5, 1.5, Virginica, 120
6.9, 3.2, 5.7, 2.3, Virginica, 121
5.6, 2.8, 4.9, 2, Virginica, 122
7.7, 2.8, 6.7, 2, Virginica, 123
6.3, 2.7, 4.9, 1.8, Virginica, 124
6.7, 3.3, 5.7, 2.1, Virginica, 125
7.2, 3.2, 6, 1.8, Virginica, 126
6.2, 2.8, 4.8, 1.8, Virginica, 127
6.1, 3, 4.9, 1.8, Virginica, 128
6.4, 2.8, 5.6, 2.1, Virginica, 129
7.2, 3, 5.8, 1.6, Virginica, 130
7.4, 2.8, 6.1, 1.9, Virginica, 131
7.9, 3.8, 6.4, 2, Virginica, 132
6.4, 2.8, 5.6, 2.2, Virginica, 133
6.3, 2.8, 5.1, 1.5, Virginica, 134
6.1, 2.6, 5.6, 1.4, Virginica, 135
7.7, 3, 6.1, 2.3, Virginica, 136
6.3, 3.4, 5.6, 2.4, Virginica, 137
6.4, 3.1, 5.5, 1.8, Virginica, 138
6, 3, 4.8, 1.8, Virginica, 139
6.9, 3.1, 5.4, 2.1, Virginica, 140
6.7, 3.1, 5.6, 2.4, Virginica, 141
6.9, 3.1, 5.1, 2.3, Virginica, 142
5.8, 2.7, 5.1, 1.9, Virginica, 143
6.8, 3.2, 5.9, 2.3, Virginica, 144
6.7, 3.3, 5.7, 2.5, Virginica, 145
6.7, 3, 5.2, 2.3, Virginica, 146
6.3, 2.5, 5, 1.9, Virginica, 147
6.5, 3, 5.2, 2, Virginica, 148
6.2, 3.4, 5.4, 2.3, Virginica, 149
5.9, 3, 5.1, 1.8, Virginica, 150
];
```