K均值聚类sklearn代码
时间: 2023-07-22 21:05:07 浏览: 57
下面是使用sklearn库实现K均值聚类算法的示例代码:
```python
from sklearn.cluster import KMeans
import numpy as np
# 生成示例数据
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])
# 创建KMeans模型
kmeans = KMeans(n_clusters=2, random_state=0)
# 拟合数据
kmeans.fit(X)
# 预测聚类结果
labels = kmeans.predict(X)
# 获取聚类中心点坐标
centers = kmeans.cluster_centers_
# 打印聚类结果和中心点
print("聚类结果:")
print(labels)
print("中心点坐标:")
print(centers)
```
在示例代码中,我们首先导入了KMeans类和numpy库。然后,我们生成了一个包含6个样本的二维数组作为示例数据。接下来,我们创建了一个KMeans对象,并将n_clusters参数设置为2(表示要聚类的簇数)。然后,我们使用fit方法对数据进行拟合,并使用predict方法预测聚类结果。最后,我们使用cluster_centers_属性获取聚类中心点的坐标,并将结果打印出来。
请注意,示例代码中的数据可以根据实际情况进行修改和替换。此外,还可以使用其他的数据预处理方法和可视化技术来进一步分析和展示聚类结果。
相关问题
k均值聚类python代码
下面是一个简单的 k 均值聚类的 Python 代码示例:
```python
import numpy as np
from sklearn.cluster import KMeans
# 随机生成数据
X = np.random.rand(100, 2)
# 创建一个 KMeans 对象,指定聚类数量为 3
kmeans = KMeans(n_clusters=3)
# 训练模型
kmeans.fit(X)
# 获取聚类结果
labels = kmeans.labels_
# 获取聚类中心
centers = kmeans.cluster_centers_
```
这段代码使用了 `sklearn` 库中的 `KMeans` 类来实现 k 均值聚类算法。首先,我们随机生成了一个 100 行、2 列的数据矩阵 `X`。然后,我们创建了一个 `KMeans` 对象,并将聚类数量设置为 3。接下来,我们用 `fit` 方法训练模型,并用 `labels_` 属性获取聚类结果,用 `cluster_centers_` 属性获取聚类中心。
k均值聚类python代码
下面是一个简单的 k 均值聚类的 Python 代码示例:
```python
import numpy as np
from sklearn.cluster import KMeans
# 随机生成数据
X = np.random.rand(100, 2)
# 创建一个 KMeans 对象,指定聚类数量为 3
kmeans = KMeans(n_clusters=3)
# 训练模型
kmeans.fit(X)
# 获取聚类结果
labels = kmeans.labels_
# 获取聚类中心
centers = kmeans.cluster_centers_
```
这段代码使用了 `sklearn` 库中的 `KMeans` 类来实现 k 均值聚类算法。首先,我们随机生成了一个 100 行、2 列的数据矩阵 `X`。然后,我们创建了一个 `KMeans` 对象,并将聚类数量设置为 3。接下来,我们用 `fit` 方法训练模型,并用 `labels_` 属性获取聚类结果,用 `cluster_centers_` 属性获取聚类中心。