怎么用k-means方法写代码

使用Python的scikit-learn库来实现K-means聚类方法，可以按照以下步骤编写代码：

# 导入所需的库
from sklearn.cluster import KMeans
import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer

# 假设你已经有了一个包含客户ID和商品分词数据的DataFrame df
# 示例数据：
# df = pd.DataFrame({'CustomerID': ['A001', 'A002', ..., 'Z999'],
#                    'ProductKeywords': ['手机 手机壳', '电脑 键盘 笔记本', ...]})

# 数据预处理：分词和向量化
vectorizer = CountVectorizer(max_features=5)  # 取最大5个特征
X = vectorizer.fit_transform(df['ProductKeywords'])

# 将数据转换为数值型
X = X.toarray()

# 设置k值（可以根据需要调整）
k = 3  # 这里假设我们要分成3类

# 初始化KMeans模型
kmeans = KMeans(n_clusters=k)

# 训练模型
kmeans.fit(X)

# 添加群组标签到原始数据
df['Cluster'] = kmeans.labels_

# 查看聚类结果
print(df.groupby('Cluster')['CustomerID'].count())  # 按群组计数客户数量

# 对每个群组进行进一步分析

这段代码首先创建了一个CountVectorizer用于文本特征提取，然后训练KMeans模型，最后将聚类结果添加回原始数据表中。别忘了在实际操作中替换数据集的名称和列名。