聚类python案例

在Python中实现聚类的一个案例是使用MeanShift算法进行聚类。下面是一个完整的示例代码：

from numpy import unique
from numpy import where
from sklearn.datasets import make_classification
from sklearn.cluster import MeanShift
from matplotlib import pyplot

# 定义数据集
X, _ = make_classification(n_samples=1000, n_features=2, n_informative=2, n_redundant=0, n_clusters_per_class=1, random_state=4)

# 定义模型
model = MeanShift()

# 模型拟合与聚类预测
yhat = model.fit_predict(X)
# 检索唯一群集
clusters = unique(yhat)

# 为每个群集的样本创建散点图
for cluster in clusters:
    # 获取此群集的示例的行索引
    row_ix = where(yhat == cluster)
    # 创建这些样本的散布
    pyplot.scatter(X[row_ix, 0], X[row_ix, 1])

# 绘制散点图
pyplot.show()

相关问题

简单层次聚类python实现案例

以下是一个简单的层次聚类Python实现案例，使用`scipy`库中的`linkage`方法和`dendrogram`方法。

import numpy as np
from scipy.cluster.hierarchy import dendrogram, linkage
import matplotlib.pyplot as plt

# 生成随机数据
np.random.seed(4711)
a = np.random.multivariate_normal([10, 0], [[3, 1], [1, 4]], size=[100,])
b = np.random.multivariate_normal([0, 20], [[3, 1], [1, 4]], size=[50,])
X = np.concatenate((a, b),)

# 层次聚类
Z = linkage(X, 'ward')

# 绘制树状图
plt.figure(figsize=(25, 10))
dendrogram(Z)
plt.show()

在这个例子中，我们生成了两个高斯分布的随机数据，然后将它们合并成一个数据集`X`。使用`linkage`方法和`ward`参数进行层次聚类，并使用`dendrogram`方法绘制树状图。

输出的树状图可以帮助我们选择合适的聚类数目，从而得到最佳的聚类结果。

python聚类分析案例

以下是一个简单的 Python 聚类分析案例：

1. 导入必要的库和数据集

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

# 导入数据集
data = pd.read_csv("data.csv")

2. 数据预处理

# 删除不必要的列
data = data.drop(['id'], axis=1)

# 查看数据集信息
print(data.info())

# 检查是否存在缺失值
print(data.isnull().sum())

3. 特征缩放

from sklearn.preprocessing import StandardScaler

# 标准化数据
scaler = StandardScaler()
data_scaled = scaler.fit_transform(data)

# 转换为数据帧
df = pd.DataFrame(data_scaled)

4. 聚类分析

# 创建聚类模型
kmeans = KMeans(n_clusters=3, max_iter=50)
kmeans.fit(df)

# 预测聚类结果
df['cluster'] = kmeans.predict(df)

# 查看聚类结果
print(df.head())

5. 可视化聚类结果

# 绘制聚类结果散点图
plt.scatter(df[0], df[1], c=df['cluster'])
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('Cluster Plot')
plt.show()

这个案例使用了 KMeans 算法对数据进行了聚类分析，并使用散点图可视化了聚类结果。这是一个简单的聚类分析案例，实际应用中可能需要更多的数据预处理和模型调整。