基于python利用kmeans算法进行聚类分析

K-means是一种基于距离度量的聚类算法，它将数据集分成k个簇。下面是使用Python和scikit-learn库实现K-means聚类的示例代码：

首先，我们需要准备一些数据。这里我们使用sklearn.datasets中的make_blobs函数生成一个随机数据集：

from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt

# 生成随机数据集
X, y = make_blobs(n_samples=100, centers=4, random_state=42)
plt.scatter(X[:, 0], X[:, 1])
plt.show()

生成的数据集如下所示：


接下来，我们使用KMeans类来进行聚类。该类需要指定簇的数量（k），并且可以选择不同的初始化方法。这里我们使用默认值。

from sklearn.cluster import KMeans

# 定义K-means模型
kmeans = KMeans(n_clusters=4)

# 训练模型
kmeans.fit(X)

# 预测簇标签
y_pred = kmeans.predict(X)

现在我们可以绘制结果了。下面的代码绘制了数据点和簇中心：

plt.scatter(X[:, 0], X[:, 1], c=y_pred)
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], marker='x', s=200, linewidths=3, color='r')
plt.show()

绘制的结果如下所示：


完整代码如下：

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

# 生成随机数据集
X, y = make_blobs(n_samples=100, centers=4, random_state=42)
plt.scatter(X[:, 0], X[:, 1])
plt.show()

# 定义K-means模型
kmeans = KMeans(n_clusters=4)

# 训练模型
kmeans.fit(X)

# 预测簇标签
y_pred = kmeans.predict(X)

# 绘制结果
plt.scatter(X[:, 0], X[:, 1], c=y_pred)
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], marker='x', s=200, linewidths=3, color='r')
plt.show()

希望对你有所帮助！