kmeans聚类Python代码

下面是一个简单的kmeans聚类的Python代码示例：

import numpy as np
from sklearn.cluster import KMeans

# 生成一些随机数据
X = np.random.rand(100, 2)

# 初始化KMeans对象并进行聚类
kmeans = KMeans(n_clusters=3, random_state=0).fit(X)

# 输出每个样本所属的聚类类别
print(kmeans.labels_)

# 输出聚类中心坐标
print(kmeans.cluster_centers_)

这个示例中，我们使用numpy生成了一些随机的二维数据，然后使用sklearn库中的KMeans类进行聚类。聚类时指定了聚成3类，并设置了随机种子，以便结果可复现。最后输出了每个样本所属的聚类类别和聚类中心坐标。

相关问题

kmeans聚类python代码

以下是使用Python实现的kmeans聚类代码：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans

# 生成数据
X = np.random.rand(100, 2)

# 定义聚类数
n_clusters = 3

# 建立模型
kmeans = KMeans(n_clusters=n_clusters)

# 拟合模型
kmeans.fit(X)

# 预测
y_pred = kmeans.predict(X)

# 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=y_pred)
plt.show()

以上代码中，首先使用numpy生成100个随机二维数据点，然后使用sklearn中的KMeans模型，将聚类数设为3，并拟合数据。最后使用matplotlib将聚类结果可视化展示出来。

python kmeans聚类算法代码

Python kmeans聚类算法代码如下：

import numpy as np
from sklearn.cluster import KMeans

#生成随机数据，因为是演示示例，故意生成两组数据
x1 = np.random.uniform(0,1,(100,2))
x2 = np.random.uniform(2,3,(100,2))
X = np.vstack((x1,x2))

# 实例化KMeans对象，并且设置聚类数为2
kmeans = KMeans(n_clusters=2)

# 拟合聚类模型
kmeans.fit(X)

# 输出聚类后的标签
print(kmeans.labels_)

# 输出聚类后的中心点
print(kmeans.cluster_centers_)

以上代码通过导入numpy库生成随机数据，并将两组数据合并为一个二维矩阵X，然后使用sklearn.cluster库中的KMeans类进行聚类模型的实例化，聚类数设置为2。接着，调用fit()方法拟合模型，获取聚类后的标签和中心点，最后输出聚类后的标签和中心点。

以上便是Python kmeans聚类算法代码的实现方法，通过以上代码可以很方便地进行kmeans聚类算法的实现，用于数据分析和机器学习等相关领域。