k均值聚类实例python

k均值聚类是一种常用的无监督学习算法，用于将一个数据集划分为K个不同的类别。以下是一个使用Python实现k均值聚类的示例代码：

from sklearn.cluster import KMeans
import numpy as np

# 创建一个包含数据的数组
data = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])
# 创建一个k均值聚类模型，设置聚类数量为2
kmeans = KMeans(n_clusters=2)
# 拟合数据
kmeans.fit(data)
# 预测类别标签
labels = kmeans.labels_
# 预测聚类中心
centers = kmeans.cluster_centers_

# 输出类别标签和聚类中心
print("类别标签：", labels)
print("聚类中心：", centers)

这段代码示例中，我们首先导入了`KMeans`类，并创建了一个包含数据的数组。然后，我们创建了一个k均值聚类模型，设置聚类数量为2。接下来，我们通过调用`fit`方法拟合数据，然后使用`labels_`属性获取预测的类别标签，使用`cluster_centers_`属性获取预测的聚类中心。最后，我们将类别标签和聚类中心打印出来。

需要注意的是，k均值聚类是基于距离的算法，因此对于非数值型数据需要进行预处理，例如进行标准化或者使用适当的距离度量方法。另外，k的取值通常需要通过实际问题进行调参，一般使用交叉验证或者肘部法则来选择最合适的k值。