.通过Python实现Kmeans、DBSCAN算法,数据挖掘实验，具体代码示例

在Python中，我们可以使用`sklearn`库来方便地实现K-means和DBSCAN聚类算法。以下是两个简单代码示例：

### K-Means聚类

from sklearn.cluster import KMeans
import numpy as np

# 假设我们有一个二维数据集
data = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])

# 定义并初始化KMeans模型
kmeans = KMeans(n_clusters=3)  # 我们设定3个簇

# 训练模型
kmeans.fit(data)

# 获取聚类结果
labels = kmeans.labels_

# 可视化聚类结果
centroids = kmeans.cluster_centers_
print("Centroids: ", centroids)
print("Labels: ", labels)

### DBSCAN聚类

from sklearn.cluster import DBSCAN
import pandas as pd

# 假设我们有一列二维坐标数据
df = pd.DataFrame({
    'x': [1, 2, 5, 8, 1, 9],
    'y': [2, 1.8, 8, 8, 0.6, 11]
})

# 定义并初始化DBSCAN模型
db = DBSCAN(eps=0.3, min_samples=3)  # 设置邻域半径和最小样本数

# 训练模型
db.fit(df[['x', 'y']])

# 获取聚类标签
labels = db.labels_

# 打印聚类结果
unique_labels = set(labels)
print(f"Number of clusters: {len(unique_labels)}")
print("Cluster Labels: ", labels)