帮我写一段k-mean聚类分析的python代码
时间: 2024-03-02 12:27:53 浏览: 21
下面是一个k-mean聚类分析的Python代码示例:
```
import numpy as np
from sklearn.cluster import KMeans
# 创建数据集
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])
# 创建KMeans对象
kmeans = KMeans(n_clusters=2, random_state=0)
# 对数据进行聚类
kmeans.fit(X)
# 输出聚类结果
print(kmeans.labels_)
```
在这个例子中,我们首先创建了一个包含6个点的数据集X,然后创建了一个KMeans对象,并将其设置为2个聚类。接下来,我们使用fit()方法对数据进行聚类,并输出聚类结果。在这个例子中,输出的结果是一个包含6个元素的数组,表示每个点所属的聚类编号。
相关问题
写一段k-means聚类的python代码
以下是一个简单的k-means聚类的Python代码:
```python
import numpy as np
class KMeans:
def __init__(self, k=2, max_iterations=100):
self.k = k
self.max_iterations = max_iterations
def fit(self, X):
self.centroids = X[np.random.choice(X.shape[0], self.k, replace=False)]
for i in range(self.max_iterations):
distances = np.sqrt(((X - self.centroids[:, np.newaxis])**2).sum(axis=2))
cluster_index = np.argmin(distances, axis=0)
for j in range(self.k):
self.centroids[j] = np.mean(X[cluster_index == j], axis=0)
def predict(self, X):
distances = np.sqrt(((X - self.centroids[:, np.newaxis])**2).sum(axis=2))
return np.argmin(distances, axis=0)
```
上述代码中,KMeans类的构造函数接受两个参数:k表示聚类的数量,max_iterations表示最大迭代次数。fit方法接受一个数据集X,初始化聚类中心,然后迭代更新聚类中心,直到达到最大迭代次数。predict方法接受一个数据集X,并返回每个样本所属的聚类编号。
用python写一段k-means聚类算法代码
好的,以下是一段基于Python的K-Means聚类算法代码:
```python
import random
import numpy as np
import matplotlib.pyplot as plt
# 生成测试数据
def generate_data(n, k):
data = []
for i in range(k):
center = np.random.uniform(-10, 10, size=2)
for j in range(n):
x = np.random.normal(center[0], 1)
y = np.random.normal(center[1], 1)
data.append([x, y, i])
return np.array(data)
# 计算两点之间的距离
def distance(point1, point2):
return np.sqrt(np.sum((point1 - point2) ** 2))
# K-Means算法
def k_means(data, k, max_iter=100):
# 随机选择k个中心点
centers = data[random.sample(range(len(data)), k)][:, :-1]
for i in range(max_iter):
# 初始化每个簇的点
clusters = [[] for _ in range(k)]
# 分配每个点到最近的簇
for point in data:
distances = [distance(point[:-1], center) for center in centers]
cluster_index = np.argmin(distances)
clusters[cluster_index].append(point)
# 更新每个簇的中心点
for j in range(k):
centers[j] = np.mean(clusters[j], axis=0)[:-1]
return clusters, centers
# 绘制聚类结果
def plot_clusters(clusters, centers):
plt.figure(figsize=(8, 6))
colors = ['r', 'g', 'b', 'c', 'm', 'y', 'k']
for i in range(len(clusters)):
cluster = np.array(clusters[i])
plt.scatter(cluster[:, 0], cluster[:, 1], c=colors[i], alpha=0.5)
plt.scatter(centers[:, 0], centers[:, 1], s=100, marker='*', c='black')
plt.show()
# 测试
data = generate_data(100, 3)
clusters, centers = k_means(data, 3)
plot_clusters(clusters, centers)
```
在此代码中,我们首先生成了一些测试数据,然后使用K-Means算法将其聚类成k个簇,并绘制聚类结果。在该算法中,我们首先随机选择k个中心点,然后迭代地将每个点分配到最近的簇中,并更新每个簇的中心点。最终,我们返回每个簇的点和中心点,并绘制聚类结果。