python实现kmeas++对数据实现聚类分析

好的，下面是Python实现K-means++对数据进行聚类分析的代码：

import numpy as np
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt

def kmeans_pp(X, k):
    # 初始化聚类中心
    centers = [X[np.random.choice(len(X), 1)][0]]
    for i in range(1, k):
        # 计算每个样本点距离当前聚类中心的最短距离
        distances = np.array([min([np.linalg.norm(x-c)**2 for c in centers]) for x in X])
        # 根据距离的权重挑选下一个聚类中心
        probs = distances / distances.sum()
        next_center = X[np.random.choice(len(X), 1, p=probs)][0]
        centers.append(next_center)
    # 进行K-means聚类
    labels = np.zeros(len(X))
    while True:
        dist = np.array([np.linalg.norm(X - c, axis=1) for c in centers]).T
        new_labels = np.argmin(dist, axis=1)
        if np.array_equal(labels, new_labels):
            break
        labels = new_labels
        centers = [np.mean(X[labels == i], axis=0) for i in range(k)]
    return labels

# 生成数据集
X, y = make_blobs(n_samples=300, centers=4, random_state=0, cluster_std=0.7)
# 进行聚类分析
labels = kmeans_pp(X, 4)
# 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis')
plt.show()

其中，`X`为数据集，`k`为聚类个数，返回的是每个样本所属的聚类类别。代码中使用了`make_blobs`函数生成了一个4类数据集，最后将聚类结果可视化。