python k-means聚类代码

下面是一个使用sklearn库实现KMeans聚类算法的Python代码示例：

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

# 生成随机数据集
np.random.seed(0)
X = np.random.randn(100, 2)

# 使用KMeans聚类算法
kmeans = KMeans(n_clusters=3)
kmeans.fit(X)

# 绘制聚类结果
plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_, cmap='viridis')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], marker='x', s=200, linewidths=3, color='r')
plt.show()

该代码首先生成了一个二维的随机数据集X，然后使用KMeans聚类算法将数据集分为3类。最后绘制了聚类结果，其中每个点的颜色表示其所属的类别，红色的x表示每个类别的中心点。

相关问题

k-means聚类python代码

以下是一个简单的k-means聚类的Python代码示例：

import numpy as np
from sklearn.cluster import KMeans

# 生成数据
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])

# k-means 聚类
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)

# 聚类结果
print(kmeans.labels_)

在这个例子中，我们生成了一个 6x2 的数据集 X，其中每一行代表一个样本点。我们使用 sklearn 库中的 KMeans 类执行聚类，将数据分成两个集群。最后，我们打印出每个样本点所属的类别标签。

请注意，k-means算法会在每次运行时给出不同的结果，因为它的初始化是随机的。因此，我们可以通过设置 random_state 参数来控制随机种子，以便在每次运行时获得相同的结果。

k-means聚类算法代码python

以下是Python中的k-means聚类算法示例代码：

import numpy as np
import matplotlib.pyplot as plt

def kmeans(X, K, max_iters):
    centroids = X[np.random.choice(len(X), K, replace=False)]
    for i in range(max_iters):
        # 计算每个点属于哪个簇
        C = np.argmin(np.sqrt(((X - centroids[:, np.newaxis])**2).sum(axis=2)), axis=0)
        # 重新计算簇中心点
        centroids = np.array([X[C == k].mean(axis=0) for k in range(K)])
    return C, centroids

# 生成数据
np.random.seed(42)
X = np.random.randn(50, 2)

# 聚类
C, centroids = kmeans(X, K=3, max_iters=100)

# 可视化
plt.scatter(X[:, 0], X[:, 1], c=C)
plt.scatter(centroids[:, 0], centroids[:, 1], marker='X', s=200, linewidths=3, color='r')
plt.show()

说明：

- `X`：需要聚类的数据，每一行代表一个样本；
- `K`：簇的数量；
- `max_iters`：最大迭代次数；
- `centroids`：簇中心点；
- `C`：每个点属于的簇的索引。