分群這個概念除了出現在資料分析以外，在機器學習領域也有相當多應用，簡單地解釋就是把一個未知的資料根據它的特性分成一個個的群組，這邊我想介紹的是K-means ，它的概念很簡單，首先你先設定k 數，然後就會有隨機k 個點散佈在資料中，然後中間會不斷地打散重新分配中心點，直到收斂為止。

第一，我們先把前一天的資料用address_LatLng_data 存下來。

address_LatLng_data <- result #將前一天的資料存到address_LatLng_data

然後因為每次K-means 都是隨機分配，為了讓我們練習的結果一樣，我必須先設定種子碼，就設定今天日期好了，接著我指定k 的數量為10，就能程式下去算。

set.seed(20180102)
kmeans = kmeans(x = address_LatLng_data[, c('Lat','Lng')], centers = 10)
y_kmeans = kmeans$cluster

可以得到這70個地址的分類分別如下

然後將y_kmeans 整合到dataframe。

result <- address_LatLng_data %>%
    ungroup() %>%
    mutate(category = y_kmeans)

用表格表示很沒有感覺？那就畫在地圖上吧！

ggmap(get_googlemap(center=c(121.52311,25.04126), zoom=12, maptype='satellite'), extent='device') +
    geom_point(data=result,
               size=1.8,
               aes(x=Lng, y=Lat, colour=factor(category)))

最後結果：

從地圖上可以看出所有的地址被分成10類了！！

ref:
day16原始碼