基于K-means算法的红酒聚类代码

好的，这里提供一个Python实现的基于K-means算法的红酒聚类代码，供您参考：

import pandas as pd
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

# 读取红酒数据集
data = pd.read_csv('wine.csv')

# 数据清洗和预处理
data.drop(['class'], axis=1, inplace=True)  # 删除类别列
scaler = StandardScaler()  # 标准化数据
data_scaled = scaler.fit_transform(data)

# 初始化K-means算法模型
kmeans = KMeans(n_clusters=3, n_init=10, max_iter=300)

# 训练模型
kmeans.fit(data_scaled)

# 获取聚类结果
labels = kmeans.labels_

# 添加聚类结果列
data['cluster'] = labels

# 输出聚类结果
print(data.groupby(['cluster']).mean())

在这个代码中，我们使用了Pandas库来读取和清洗红酒数据集，并使用Scikit-learn库中的KMeans类来实现K-means算法。我们将数据集中的类别列删除，并对数据进行标准化处理。然后，我们初始化了一个K-means模型，并使用fit()方法对数据进行训练。最后，我们添加了一个聚类结果列，并使用groupby()方法计算每个聚类的平均值。

这个代码可以帮助您快速实现基于K-means算法的红酒聚类，并输出聚类结果。但是，请注意，这只是一个简单的示例代码，您需要根据您的实际情况进行适当的修改和优化。