用python分层聚类手写代码

以下是用Python实现分层聚类的代码：

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

# 生成样本数据
X = np.array([[5,3], [10,15], [15,12], [24,10], [30,30], [85,70], [71,80], [60,78], [70,55], [80,91]])

# 计算距离矩阵
Z = linkage(X, 'ward')

# 绘制树状图
plt.figure(figsize=(10, 5))
plt.title('Hierarchical Clustering Dendrogram')
plt.xlabel('Sample Index')
plt.ylabel('Distance')
dendrogram(Z, leaf_rotation=90., leaf_font_size=8.)
plt.show()

代码中，首先生成了一个二维的样本数据集X，然后使用`linkage`函数计算出样本之间的距离矩阵Z，最后使用`dendrogram`函数绘制出树状图。`ward`表示使用Ward方差最小化算法来进行聚类。

相关问题

python分层聚类使用什么包

Python中可以使用`scipy`包中的`hierarchy`模块实现分层聚类。具体而言，可以使用`scipy.cluster.hierarchy.linkage`函数计算聚类距离矩阵，然后使用`scipy.cluster.hierarchy.fcluster`函数进行层次聚类。例如，以下是使用`scipy`进行分层聚类的示例代码：

from scipy.cluster.hierarchy import linkage, fcluster
import numpy as np

# 生成随机数据
X = np.random.randn(10, 2)

# 计算聚类距离矩阵
Z = linkage(X, method='ward', metric='euclidean')

# 进行层次聚类
labels = fcluster(Z, t=2, criterion='distance')

print(labels)

在上述示例中，我们使用`numpy`生成了一个10行2列的随机数据矩阵`X`，然后使用`linkage`函数计算了聚类距离矩阵`Z`，其中`method='ward'`表示使用Ward方法进行聚类，`metric='euclidean'`表示使用欧几里得距离度量数据相似度。最后，使用`fcluster`函数进行层次聚类，并指定`criterion='distance'`表示使用距离阈值进行聚类，`t=2`表示聚类阈值为2。聚类结果存储在`labels`中。

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。