欧式距离聚类python

欧式距离聚类是一种常用的聚类算法，它通过计算数据点之间的欧式距离来度量它们的相似性，并将相似的数据点归为同一类别。在Python中，可以使用scikit-learn库中的KMeans算法来实现欧式距离聚类。

以下是使用Python进行欧式距离聚类的基本步骤：

1. 导入所需的库：

from sklearn.cluster import KMeans
import numpy as np

2. 准备数据：

data = np.array([[x1, y1], [x2, y2], ...])  # 将数据点以二维数组的形式表示

3. 创建KMeans对象并进行聚类：

kmeans = KMeans(n_clusters=k)  # 设置聚类的簇数k
kmeans.fit(data)  # 进行聚类

4. 获取聚类结果：

labels = kmeans.labels_  # 获取每个数据点所属的簇标签
centroids = kmeans.cluster_centers_  # 获取每个簇的中心点坐标

5. 可视化聚类结果（可选）：

import matplotlib.pyplot as plt

# 绘制数据点
plt.scatter(data[:, 0], data[:, 1], c=labels)
# 绘制簇中心点
plt.scatter(centroids[:, 0], centroids[:, 1], marker='x', color='red')
plt.show()

这样就完成了欧式距离聚类的基本实现。