k-means聚类python代码

以下是一个简单的k-means聚类的Python代码示例：

import numpy as np
from sklearn.cluster import KMeans

# 生成数据
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])

# k-means 聚类
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)

# 聚类结果
print(kmeans.labels_)

在这个例子中，我们生成了一个 6x2 的数据集 X，其中每一行代表一个样本点。我们使用 sklearn 库中的 KMeans 类执行聚类，将数据分成两个集群。最后，我们打印出每个样本点所属的类别标签。

请注意，k-means算法会在每次运行时给出不同的结果，因为它的初始化是随机的。因此，我们可以通过设置 random_state 参数来控制随机种子，以便在每次运行时获得相同的结果。

相关问题

无人车客户点k-means聚类python代码

无人车的数据通常包含位置信息、行驶轨迹、时间戳等特征，如果要用K-means聚类对客户的点进行分组，首先需要准备这样的数据集，并将其表示为二维坐标（比如经纬度）。以下是一个简单的Python代码示例，使用scikit-learn库进行K-means聚类：

from sklearn.cluster import KMeans
import pandas as pd

# 假设df是包含客户点数据的DataFrame，每列代表一个特征（如经度和纬度）
假设 df = pd.read_csv('client_points.csv')

# 选择两个特征作为输入数据
X = df[['longitude', 'latitude']]

# 设置聚类的类别数（k值）
k = 5  # 例如我们将分为5个簇

# 创建并训练KMeans模型
kmeans = KMeans(n_clusters=k)
kmeans.fit(X)

# 将每个客户点分配到对应的簇
labels = kmeans.labels_

# 输出每个簇的中心点（质心）
centroids = kmeans.cluster_centers_

# 打印结果
print("Labels for each client point:", labels)
print("Cluster centroids:", centroids)

python k-means聚类代码

下面是一个使用sklearn库实现KMeans聚类算法的Python代码示例：

from sklearn.cluster import KMeans
import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据集
np.random.seed(0)
X = np.random.randn(100, 2)

# 使用KMeans聚类算法
kmeans = KMeans(n_clusters=3)
kmeans.fit(X)

# 绘制聚类结果
plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_, cmap='viridis')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], marker='x', s=200, linewidths=3, color='r')
plt.show()

该代码首先生成了一个二维的随机数据集X，然后使用KMeans聚类算法将数据集分为3类。最后绘制了聚类结果，其中每个点的颜色表示其所属的类别，红色的x表示每个类别的中心点。