import pandas as pd from sklearn.cluster import DBSCAN from sklearn.metrics import confusion_matrix import matplotlib.pyplot as plt # 读取Excel数据 data = pd.read_excel('C:/Users/86178/Desktop/test/test/TF-IDF/SSG hole span版.xlsx') # 提取特征列 feature_columns = ["Bridge length (m)","Pier type","Foundation type","Hole","Span (m)", "Bearing type","Plane linear"] X = data[feature_columns] # 使用DBSCAN进行聚类 dbscan = DBSCAN(eps=0.5, min_samples=5) dbscan.fit(X) # 获取聚类结果 labels = dbscan.labels_

你的代码看起来基本上是正确的，但是在使用DBSCAN进行聚类之后，你可以使用混淆矩阵（confusion matrix）来评估聚类结果的准确性，而不是直接使用聚类标签。混淆矩阵可以显示实际类别与聚类标签之间的对应关系。

以下是一个示例代码，展示了如何计算混淆矩阵并将其绘制成热力图：

import pandas as pd
from sklearn.cluster import DBSCAN
from sklearn.metrics import confusion_matrix
import seaborn as sns
import matplotlib.pyplot as plt

# 读取Excel数据
data = pd.read_excel('C:/Users/86178/Desktop/test/test/TF-IDF/SSG hole span版.xlsx')

# 提取特征列
feature_columns = ["Bridge length (m)","Pier type","Foundation type","Hole","Span (m)",
"Bearing type","Plane linear"]
X = data[feature_columns]

# 使用DBSCAN进行聚类
dbscan = DBSCAN(eps=0.5, min_samples=5)
dbscan.fit(X)

# 获取聚类结果
labels = dbscan.labels_

# 获取实际类别（如果有的话）
# actual_labels = data["actual_label_column"]

# 计算混淆矩阵
confusion_mat = confusion_matrix(actual_labels, labels)

# 绘制热力图
sns.heatmap(confusion_mat, annot=True, cmap="YlGnBu")
plt.xlabel('Predicted Labels')
plt.ylabel('Actual Labels')
plt.title('Confusion Matrix')
plt.show()

请将上述代码中的`actual_label_column`替换为你数据中实际的类别列，如果没有实际类别可以注释掉该行代码。然后运行脚本，就能够得到混淆矩阵并绘制成热力图了。

希望能对你有所帮助！如果有任何问题，请随时提问。