kmeans聚类导入数据，手肘法兼顾类内距离 还要看类间距离 合理选取聚类的个数，python

代码如下：

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

# 导入数据
data = np.load("data.npy")

# 选择最大聚类数
max_clusters = 10

# 初始化列表存储KMeans模型和误差
kmeans_models = []
inertias = []

# 创建KMeans模型，并计算误差
for i in range(1, max_clusters + 1):
    kmeans = KMeans(n_clusters=i, init='k-means++', random_state=42)
    kmeans.fit(data)
    kmeans_models.append(kmeans)
    inertias.append(kmeans.inertia_)

# 绘制手肘法图形，寻找最佳聚类个数
plt.plot(range(1, max_clusters+1), inertias, marker='o')
plt.xlabel('Number of clusters')
plt.ylabel('Inertia')
plt.title('Elbow Method')
plt.show()

# 计算类间距离和类内距离
silhouette_scores = []
for i in range(len(kmeans_models)):
    labels = kmeans_models[i].labels_
    centers = kmeans_models[i].cluster_centers_
    intra_distances = [np.linalg.norm(data[i]-centers[labels[i]]) for i in range(data.shape[0])]
    inter_distances = []
    for j in range(len(centers)):
        for k in range(j+1, len(centers)):
            inter_distances.append(np.linalg.norm(centers[j]-centers[k]))
    if len(inter_distances) == 0:
        silhouette_scores.append(0)
    else:
        silhouette_score = np.mean(inter_distances) - np.mean(intra_distances)
        silhouette_scores.append(silhouette_score)

# 绘制轮廓系数图，寻找最佳聚类个数
plt.plot(range(1, max_clusters+1), silhouette_scores, marker='o')
plt.xlabel('Number of clusters')
plt.ylabel('Silhouette score')
plt.title('Silhouette Method')
plt.show()

# 根据轮廓系数选择最佳聚类个数
best_index = np.argmax(silhouette_scores)
best_cluster_num = best_index + 1

# 用最佳聚类个数创建KMeans模型，并输出结果
kmeans_best = KMeans(n_clusters=best_cluster_num, init='k-means++', random_state=42)
kmeans_best.fit(data)
labels = kmeans_best.labels_
centers = kmeans_best.cluster_centers_
print("聚类个数：", best_cluster_num)
print("中心点：", centers)
print("标签：", labels)

说明：

• 首先，我们导入需要聚类的数据；

• 然后，我们选择最大聚类数，并初始化列表存储KMeans模型和误差；

• 接着，我们循环创建KMeans模型，并计算误差，然后将模型和误差分别存储在列表中；

• 然后，我们使用matplotlib库绘制手肘法图形，来观察误差随聚类数增加而递减的情况，根据图形来选择最佳聚类个数；

• 接下来，我们计算类间距离和类内距离，使用轮廓系数来衡量聚类结果的好坏，绘制轮廓系数图，并根据图形来选择最佳聚类个数；

• 最后，我们用最佳聚类个数创建KMeans模型，并输出聚类结果。