python聚类代码示例

以下是一个使用Python进行聚类的示例代码：

from sklearn.cluster import KMeans
import numpy as np

# 创建一个示例数据集
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])

# 创建一个KMeans对象并指定聚类数量为2
kmeans = KMeans(n_clusters=2)

# 使用数据集进行训练
kmeans.fit(X)
# 获取每个样本所属的聚类标签
labels = kmeans.labels_

# 获取聚类中心点的坐标
centroids = kmeans.cluster_centers_

# 打印结果
print("聚类标签：", labels)
print("聚类中心点坐标：", centroids)

这段代码使用了scikit-learn库中的KMeans类来进行聚类。首先，我们创建了一个示例数据集X，然后创建了一个KMeans对象并指定聚类数量为2。接下来，我们使用数据集进行训练，得到每个样本所属的聚类标签和聚类中心点的坐标。最后，我们打印出结果。

相关问题

dataframe表python聚类代码

以下是一个使用Python pandas库和sklearn库进行聚类的示例代码：

import pandas as pd
from sklearn.cluster import KMeans

# 读取数据集
df = pd.read_csv('data.csv')

# 数据预处理
X = df.iloc[:, [2, 3]].values

# 使用KMeans算法进行聚类
kmeans = KMeans(n_clusters=3, init='k-means++', max_iter=300, n_init=10, random_state=0)
y_kmeans = kmeans.fit_predict(X)

# 可视化聚类结果
import matplotlib.pyplot as plt

plt.scatter(X[y_kmeans == 0, 0], X[y_kmeans == 0, 1], s=100, c='red', label='Cluster 1')
plt.scatter(X[y_kmeans == 1, 0], X[y_kmeans == 1, 1], s=100, c='blue', label='Cluster 2')
plt.scatter(X[y_kmeans == 2, 0], X[y_kmeans == 2, 1], s=100, c='green', label='Cluster 3')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=300, c='yellow', label='Centroids')
plt.title('Clusters of customers')
plt.xlabel('Annual Income (k$)')
plt.ylabel('Spending Score (1-100)')
plt.legend()
plt.show()

在此示例中，我们使用了一个包含客户年收入和消费得分的数据集。我们使用KMeans算法将客户分为三个群组，并使用matplotlib库可视化了结果。

聚类代码示例

好的，以下是一个简单的聚类代码示例，使用的是K-means算法，以Python为例：

import numpy as np
from sklearn.cluster import KMeans

#生成样本数据
X = np.random.randn(100, 2)

#使用K-means算法进行聚类
kmeans = KMeans(n_clusters=3, random_state=0).fit(X)

#输出聚类结果
print(kmeans.labels_)

在这个示例中，我们首先生成了100个二维样本数据，然后使用K-means算法进行聚类，将样本分为3类。最后输出每个样本所属的聚类类别。

当然，这只是一个简单的示例，实际应用中需要根据具体问题选择合适的聚类算法，以及进行更加复杂的数据预处理和特征工程等操作。