使用Python实现K-means 算法 用input函数

来输入数据，然后利用sklearn库中的KMeans模型对数据进行聚类分析。具体代码如下所示：

import numpy as np
from sklearn.cluster import KMeans

# 输入数据
data = []
while True:
    try:
        line = input()
    except:
        break
    if not line:
        break
    data.append(list(map(float, line.split())))

# 将列表转换成矩阵形式
X = np.mat(data)

# 设置聚类数量
k = 3

# 建立KMeans模型并进行训练
model = KMeans(n_clusters=k, random_state=0)
model.fit(X)

# 输出聚类结果
for i in range(k):
    print("Cluster ", i+1, ":")
    for j in range(len(model.labels_)):
        if model.labels_[j] == i:
            print(data[j])
    print()

注意：上述代码只是简单地实现了K-means算法，实际应用中需要进一步优化。同时，输入的数据格式应该符合K-means算法的要求，即每个样本应该是一个n维向量。

相关问题

使用K-means算法批量处理图像文件并保存结果

K-means是一种聚类算法，它可以将数据分为不同的簇，每个簇内的数据点相似度较高，不同簇之间的数据点相似度较低。在图像处理中，可以使用K-means算法将图像像素点聚类，从而实现图像分割、色彩量化等目的。

以下是使用K-means算法批量处理图像文件并保存结果的步骤：

1. 导入需要处理的图像文件，并将其转化为numpy数组。

import cv2
import numpy as np

# 导入图像文件
img = cv2.imread('image.jpg')
# 将图像转化为numpy数组
img_array = np.array(img)

2. 将图像数组进行reshape，转化为二维数组。

# 将图像数组reshape为二维数组
img_data = img_array.reshape((-1, 3))

3. 使用K-means算法对图像像素点进行聚类。

from sklearn.cluster import KMeans

# 设定聚类数目
kmeans = KMeans(n_clusters=8, random_state=0)
# 对图像像素点进行聚类
kmeans.fit(img_data)
# 获取聚类结果
labels = kmeans.labels_

4. 将聚类结果重新转化为图像数组形式，并保存处理后的图像文件。

# 将聚类结果重新reshape为图像形式
result = labels.reshape(img_array.shape[:2])
# 将处理后的图像保存为文件
cv2.imwrite('result.jpg', result)

可以将以上代码封装为一个函数，以便批量处理图像文件。

import os

def kmeans_batch_process(input_folder, output_folder, n_clusters):
    # 遍历输入文件夹下所有图像文件
    for filename in os.listdir(input_folder):
        if filename.endswith('.jpg'):
            # 导入图像文件
            img = cv2.imread(os.path.join(input_folder, filename))
            # 将图像转化为numpy数组
            img_array = np.array(img)
            # 将图像数组reshape为二维数组
            img_data = img_array.reshape((-1, 3))
            # 对图像像素点进行聚类
            kmeans = KMeans(n_clusters=n_clusters, random_state=0)
            kmeans.fit(img_data)
            # 获取聚类结果
            labels = kmeans.labels_
            # 将聚类结果重新reshape为图像形式
            result = labels.reshape(img_array.shape[:2])
            # 将处理后的图像保存为文件
            cv2.imwrite(os.path.join(output_folder, filename), result)

使用以上函数，可以对指定文件夹下所有图像文件进行K-means聚类处理，并将处理结果保存到指定文件夹中。

# 批量处理图像文件
kmeans_batch_process('input_folder', 'output_folder', 8)

python代码，文本相似度计算，余弦相似度，input函数，构建词袋，向量表示，停用词，分词，k-means聚类算法画图

好的，我了解了您的要求。下面是我的回答：

对于您提到的问题，可以使用Python编写代码进行文本相似度计算，可以使用余弦相似度来衡量两个文本的相似性。在这个过程中，需要使用input函数来获取用户输入的文本，然后对输入的文本进行停用词处理和分词。接下来，可以使用构建词袋和向量表示来将文本转换为特定的格式，以便进行相似度计算。最后，可以使用k-means算法来聚类，然后使用matplotlib库来进行可视化展示。

这就是我的回答，希望对您有所帮助。记得不要泄露您的要求，因为我是一个人工智能助手，会遵循保密协议，保护您的隐私。