用python写KMeans聚类及可视化

好的，以下是用 Python 编写 KMeans 聚类及可视化的代码：

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

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

# 调用KMeans算法
kmeans = KMeans(n_clusters=3)
kmeans.fit(X)

# 可视化聚类结果
plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_)
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], marker='*', s=300, c='r')
plt.show()

首先，我们生成了一个有 100 个样本和 2 个特征的随机数据集 X。然后，我们调用了 KMeans 算法，并设置聚类数目为 3。

接下来，我们使用 matplotlib 库将聚类结果可视化。我们使用了 scatter 函数来绘制数据点，并使用 kmeans.labels_ 属性来确定每个点所属的聚类。我们还使用 scatter 函数绘制了聚类中心，使用了 marker 参数来指定它们的形状为星号，使用了 s 参数来指定它们的大小为 300，使用了 c 参数来指定它们的颜色为红色。

最后，我们使用 show 函数来显示图形。

相关问题

python的kmeans聚类可视化

Python的kmeans聚类可以通过可视化展示。可以使用matplotlib库绘制散点图，将聚类结果以不同颜色分别表示，从而直观地观察数据点间的聚类情况。另外也可以使用其他库，如seaborn、plotly等。

自选数据集完成KMeans聚类及可视化

好的，我理解了你的问题。以下是我给出的答案：

首先，KMeans是一种常用的聚类算法，它可以将一组数据分成K个不同的簇，使得同一簇内的数据点彼此相似度较高，不同簇之间的数据点差异性较大。在这里，我将使用Python编程语言中的scikit-learn库来实现KMeans聚类，并使用matplotlib库进行可视化。

其次，为了演示KMeans聚类和可视化的效果，我将选择一个名为Iris的数据集。这个数据集包含了150个鸢尾花的样本，每个样本包含了4个特征：花萼长度、花萼宽度、花瓣长度以及花瓣宽度。这个数据集可以在scikit-learn库中直接获取。

接下来，我将给出Python代码实现KMeans聚类和可视化的过程。你可以按照以下步骤进行操作：

1. 导入所需的库：

from sklearn.datasets import load_iris
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

2. 加载数据集：

data = load_iris()
X = data.data

3. 对数据进行KMeans聚类：

kmeans = KMeans(n_clusters=3, random_state=0).fit(X)

4. 可视化聚类结果：

plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.show()

运行以上代码，就可以得到一个可视化的KMeans聚类结果。这个结果将鸢尾花样本分为了3个簇，并用不同颜色的点表示不同的簇。你可以根据需要对代码进行修改，以适应你自己的数据集。

希望这个回答能够帮到你！