kmeans聚类算法对商品的分类python实现

K-means聚类算法是一种无监督机器学习技术，用于将数据集划分为预设数量的类别（簇）。在Python中，我们可以利用scikit-learn库来实现K-means算法对商品进行分类。以下是简单的步骤：

1. **导入所需库**：

import numpy as np
from sklearn.cluster import KMeans
import pandas as pd

2. **加载或准备数据**：
假设你有一个包含商品特征如价格、销量等的数据框`df`：

data = df.drop('target_column', axis=1)  # 假设'target_column'是你想要预测的列

3. **标准化数据**：
因为K-means对数值敏感，通常需要归一化或标准化数据：

data_scaled = StandardScaler().fit_transform(data)

4. **选择K值**：
可以使用肘部法则（Elbow Method）或轮廓系数（Silhouette Coefficient）来确定合适的簇数K：

wcss = []
for i in range(1, 11):
    kmeans = KMeans(n_clusters=i, init='k-means++', max_iter=300, n_init=10, random_state=0)
    kmeans.fit(data_scaled)
    wcss.append(kmeans.inertia_)
plt.plot(range(1, 11), wcss)

5. **创建并训练模型**：
选择最佳K后，实例化KMeans并拟合数据：

k = 5  # 假设我们选择了5个簇
kmeans = KMeans(n_clusters=k, random_state=0)
labels = kmeans.fit_predict(data_scaled)

6. **结果分析**：
得到每个数据点所属的簇，可以用`labels`变量查看。你可以将结果添加回原始DataFrame，或者分析各簇的商品特征分布。