# 帳號分群 3/11 實驗結果

## 實驗目標
- 將輸入資料分為純數字帳號、非純數字帳號，做不同的 hash function，確認能否優化Kmeans分群。
- Threshold 輸出時提供一個清單，列出各個hierarchical group的人數，並依照人數遞減排序，以便能快速鎖定人數多的group進行檢視。(例如：group #5=27人、group #2=4人、group #7=4人、group #3=2人、group #4=2人 ...，這樣的清單印出來後，就容易看出group #5很可能有問題)

## 分別處理純數字與非純數字帳號
- 新增 regular expression (以過濾出純數字帳號

    num_rule = re.compile(r'[0-9 _]*[0-9][0-9 _]*') 

- 主程式一開始即詢問使用者是否只分析純數字帳號
- 根據輸入資料種類使用不同 hash function

    * 純數字:
    
    Type 1:
        # 直接相加每個字的編碼
        hash_value += ord(word)
    Type 2:
        # 直接以純數字的數值作為hash value
        hash_value = int(words)
    
    * 非純數字
    # 數字的編碼設為1，非數字則直接相加
    if word in '0123456789':
        hash_value += 1
    else:
        hash_value += ord(word)

## Threshold 輸出時提供一個清單
- 原始資料量為 100 筆
- 挑選Kmeans其中一群根據不同 threshold 分群後的結果，統計label，並按照成員數量排序群組

#### Threshold = 0
[Google sheet](https://docs.google.com/spreadsheets/d/1txulN0Ebj0sE-nlSbcU2q7xjzMQinVJRcCAE-sm02HI/edit?usp=sharing)
- 成員資訊
- 群組人數
- 總覽

#### Threshold = 35
[Google sheet](https://docs.google.com/spreadsheets/d/1m8YawKafYU3pjbPq5xBhZuyat2NnRCeDVMgN5nhaMiU/edit?usp=sharing)
- 成員資訊
- 群組人數
- 總覽

#### Threshold = 50
[Google sheet](https://docs.google.com/spreadsheets/d/1wKvwIG8jrl__O33UFO-6uaZNbNTOZHyWubLWmIRd7Ms/edit?usp=sharing)
- 成員資訊
- 群組人數
- 總覽

## 不同 hash function 之 Kmeans 分群結果
- 資料量為 100 筆
### Type 1 (直接相加每個字的編碼)
- 分五群

    * 數量
    (Group 0): 30
    (Group 1): 5
    (Group 2): 18
    (Group 3): 16
    (Group 4): 31

- 分兩群

    * 數量
    (Group 0): 47 
    (Group 1): 53


### Type 2 (直接以純數字的數值作為hash value
- 分五群

    * 數量
    (Group 0): 85
    (Group 1): 10
    (Group 2): 1
    (Group 3): 2
    (Group 4): 2


- 分兩群

    * 數量
    (Group 0): 11
    (Group 1): 89


## 總結
接著會繼續嘗試其他 hash function 確認效果，threshold 輸出清單也已確認排序部分能夠正常顯示。