----> 1 kmeans.labels_([1,1,1,0,0,0],dtype='int32') TypeError: 'numpy.ndarray' object is not callable

这个错误提示是因为你把 `kmeans.labels_` 当做函数来调用了，但它实际上是一个属性，不是函数，所以不能被调用。

如果你要获取 `kmeans` 模型对数据进行聚类后的标签，应该使用 `kmeans.labels_` 属性，像这样：

labels = kmeans.labels_

这将会返回一个包含每个样本所属聚类标签的 numpy 数组。你可以把这个数组作为第一个参数传给 `kmeans.labels_()` 函数，这样就会报出 “'numpy.ndarray' object is not callable” 这个错误。

相关问题

>>> from sklearn.cluster import KMeans >>> import numpy as np >>> X = np.array([[1, 2], [1, 4], [1, 0], ... [10, 2], [10, 4], [10, 0]]) >>> kmeans = KMeans(n_clusters=2, random_state=0).fit(X) >>> kmeans.labels_ array([1, 1, 1, 0, 0, 0], dtype=int32) >>> kmeans.predict([[0, 0], [12, 3]]) array([1, 0], dtype=int32) >>> kmeans.cluster_centers_ array([[10., 2.], [ 1., 2.]])

这是一个使用 scikit-learn 库中的 KMeans 类进行聚类的例子。首先，我们定义了一个包含 6 个样本的数据集 X，每个样本有 2 个特征。然后，我们使用 KMeans 类对数据进行聚类，指定了簇的数量为 2，随机种子为 0。

接着，我们可以通过 kmeans.labels_ 属性获取每个样本所属的簇的标签，这里的输出结果是 array([1, 1, 1, 0, 0, 0], dtype=int32)，表示前三个样本属于簇 1，后三个样本属于簇 0。

我们还可以使用 kmeans.predict 方法对新的数据进行分类，这里的输出结果是 array([1, 0], dtype=int32)，表示第一个新数据属于簇 1，第二个新数据属于簇 0。

最后，我们可以通过 kmeans.cluster_centers_ 属性获取每个簇的中心点，这里的输出结果是 array([[10., 2.], [ 1., 2.]]），表示簇 0 的中心点为 [10, 2]，簇 1 的中心点为 [1, 2]。

生成代码：python聚类分析绘制散点图r1=pd.Series(kmeans_model.labels_).value_counts() print('最终每个类别的数目为：\n',r1)最终每个类别的数目为： 4 24611 0 15730 3 12111 1 5337 2 4255 dtype: int64

可以将聚类结果绘制成散点图来更直观地展示。以下是一个简单的 Python 代码片段：

import matplotlib.pyplot as plt

# 假设你已经有了样本数据 X 和聚类结果 kmeans_model.labels_
# 可以使用 X[:, 0] 和 X[:, 1] 分别表示样本在坐标系上的两个维度

# 根据不同类别分别绘制样本点
for i in range(k):
    plt.scatter(X[kmeans_model.labels_ == i, 0], X[kmeans_model.labels_ == i, 1], label='Cluster {}'.format(i))

# 绘制聚类中心
plt.scatter(kmeans_model.cluster_centers_[:, 0], kmeans_model.cluster_centers_[:, 1], marker='*', s=200, c='black', label='Centroids')

# 设置图例
plt.legend()

# 显示图形
plt.show()

其中，`k` 是聚类的类别数，`X` 是样本数据矩阵，`kmeans_model.labels_` 是聚类结果的标签。这段代码会将不同类别的样本点用不同颜色的散点图表示出来，并在图中标出聚类中心。你可以根据实际数据的不同来调整代码中的参数。