keam聚类算法python代码

以下是使用Python实现K-means聚类算法的示例代码：

import numpy as np
from sklearn.cluster import KMeans

# 创建样本数据集
X = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])

# 创建K-means模型并进行训练
kmeans = KMeans(n_clusters=2)
kmeans.fit(X)

# 获取聚类结果
labels = kmeans.labels_
centroids = kmeans.cluster_centers_

# 打印聚类结果
for i in range(len(X)):
    print("数据点", X[i], "所属簇：", labels[i])

# 绘制聚类结果
import matplotlib.pyplot as plt

colors = ['r', 'g']

for i in range(len(X)):
    plt.scatter(X[i][0], X[i][1], color=colors[labels[i]], marker='o')

plt.scatter(centroids[:, 0], centroids[:, 1], color='k', marker='x')
plt.show()

在这个示例中，我们使用了`sklearn.cluster.KMeans`类来实现K-means聚类算法。首先，我们创建了一个样本数据集`X`，其中包含6个二维数据点。然后，我们创建了一个K-means模型，并使用`fit`方法对数据进行训练。接下来，我们通过`labels_`属性获取每个数据点的簇标签，通过`cluster_centers_`属性获取聚类中心。最后，我们打印每个数据点所属的簇，并使用matplotlib库将聚类结果可视化。运行代码后，你会看到数据点被分成两个簇，并通过不同的颜色表示。聚类中心用黑色的"X"标记表示。