已有变量“学历”，“工作经验”，“地区”三个变量，以这三个变量做关于薪资的k均值聚类预测模型python代码

以下是基于K均值聚类的薪资预测模型的Python代码：

import pandas as pd
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

# 读取数据集
data = pd.read_csv('data.csv')

# 数据预处理
scaler = StandardScaler()
X = data[['学历', '工作经验', '地区']]
X_scaled = scaler.fit_transform(X)

# 聚类模型训练
n_clusters = 3  # 聚类数为3
kmeans = KMeans(n_clusters=n_clusters)
kmeans.fit(X_scaled)

# 聚类结果分析
cluster_labels = kmeans.labels_  # 每个样本所属的类别
cluster_centers = kmeans.cluster_centers_  # 聚类中心
data['cluster'] = cluster_labels  # 将聚类结果加入原始数据集中

# 预测薪资
edu, exp, area = 2, 5, '北京'  # 待预测数据
cluster = kmeans.predict(scaler.transform([[edu, exp, area]]))[0]  # 获取待预测数据所属的类别
salary = cluster_centers[cluster][3]  # 获取该类别的薪资均值

print('预测薪资为：{:.2f}万/年'.format(salary))

说明：

1. 首先读取数据集，并对数据进行预处理，将学历、工作经验、地区三个变量进行标准化处理。

2. 然后使用K均值聚类算法进行模型训练，设定聚类数为3。

3. 训练完成后，将聚类结果加入原始数据集中，方便后续的可视化和分析。

4. 对于待预测的数据，首先使用训练好的模型获取该数据所属的类别，然后再获取该类别的薪资均值，即为预测结果。

请注意，上述代码仅是一个简单的示例，实际使用时需要根据具体数据集进行调整和优化。