KMEANS聚类算法python代码

K-means聚类算法的Python代码可以使用sklearn库中的KMeans类来实现。下面是一个例子：

from sklearn.cluster import KMeans
import numpy as np

# 定义要聚类的数据
X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])

# 创建KMeans对象并进行拟合
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)

# 获取每个点所属的簇
labels = kmeans.labels_

# 预测新的数据所属的簇
new_data = np.array([[0, 0], [12, 3]])
predictions = kmeans.predict(new_data)

# 获取每个簇的中心
centers = kmeans.cluster_centers_

# 打印结果
print("每个点所属的簇：", labels)
print("预测结果：", predictions)
print("每个簇的中心：", centers)

在这个例子中，我们首先导入了`KMeans`类和`numpy`库。然后定义了一个二维数组`X`作为要聚类的数据。接下来，创建了一个`KMeans`对象并使用`fit`方法对数据进行拟合。我们可以使用`labels_`属性获取每个点所属的簇，使用`predict`方法预测新的数据所属的簇，使用`cluster_centers_`属性获取每个簇的中心。最后，我们打印出结果。

注意，这个例子是一个简化版的示例，实际应用中可能需要根据具体需求进行调整。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* [K-means聚类算法原理及python实现](https://blog.csdn.net/qq_43741312/article/details/97128745)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
- *2* *3* [Python实现聚类K-means算法](https://blog.csdn.net/wyn1564464568/article/details/125782286)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]