import numpy as np from sklearn.cluster import KMeans # 数据准备 data = np.array([ [100, 50, 20, 30, 80, 40, 10, 70], # 辽宁省的数据 [200, 150, 80, 60, 120, 100, 30, 90], # 浙江省的数据 [80, 60, 10, 20, 40, 30, 5, 50], # 河南省的数据 [50, 30, 5, 10, 25, 15, 3, 20], # 甘肃省的数据 [120, 80, 30, 40, 60, 50, 15, 40] # 青海省的数据 ]) # 数据标准化(可选,根据需要进行标准化处理) # data = (data - data.mean(axis=0)) / data.std(axis=0) # 使用K均值聚类算法进行分类 k = 5 # 分类的数量 kmeans = KMeans(n_clusters=k, random_state=0) labels = kmeans.fit_predict(data) # 打印分类结果 provinces = ["辽宁", "浙江", "河南", "甘肃", "青海"] for i, label in enumerate(labels): print(f"{provinces[i]}: 类别 {label}")生成相关绘制图示的步骤
时间: 2023-07-02 17:09:13 浏览: 92
这段代码是使用K均值聚类算法对5个省份的数据进行分类,并打印出每个省份所属的类别。如果你想要生成相关绘制图示,可以考虑使用matplotlib库进行可视化展示。具体步骤如下:
1.导入matplotlib库
import matplotlib.pyplot as plt
2.将每个省份的数据点用不同颜色标记出来
colors = ['red', 'green', 'blue', 'yellow', 'purple']
for i, label in enumerate(labels):
plt.scatter(data[i,0], data[i,1], c=colors[label])
3.设置图表标题和坐标轴标签
plt.title('Provinces Clustering')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
4.展示图表
plt.show()
完整代码如下:
import numpy as np
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
data = np.array([
[100, 50, 20, 30, 80, 40, 10, 70],
[200, 150, 80, 60, 120, 100, 30, 90],
[80, 60, 10, 20, 40, 30, 5, 50],
[50, 30, 5, 10, 25, 15, 3, 20],
[120, 80, 30, 40, 60, 50, 15, 40]
])
k = 5
kmeans = KMeans(n_clusters=k, random_state=0)
labels = kmeans.fit_predict(data)
provinces = ["辽宁", "浙江", "河南", "甘肃", "青海"]
colors = ['red', 'green', 'blue', 'yellow', 'purple']
for i, label in enumerate(labels):
plt.scatter(data[i,0], data[i,1], c=colors[label])
plt.title('Provinces Clustering')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.show()
相关推荐
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)