k均值算法python

以下是k均值算法的Python代码实现，可以显示聚类效果与聚类的迭代次数：

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

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

# 使用KMeans进行聚类
kmeans = KMeans(n_clusters=3, random_state=0).fit(X)

# 显示聚类效果
plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_, cmap='viridis')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=300, c='red')
plt.title('K-means Clustering')
plt.show()

# 显示聚类的迭代次数
print("Iterations:", kmeans.n_iter_)

这是一个简单的k均值算法的Python实现，使用了scikit-learn库中的KMeans模块进行聚类，并通过matplotlib库展示了聚类效果。同时，打印出了聚类的迭代次数。

相关问题

k均值聚类python代码

下面是一个简单的 k 均值聚类的 Python 代码示例：

import numpy as np
from sklearn.cluster import KMeans

# 随机生成数据
X = np.random.rand(100, 2)

# 创建一个 KMeans 对象，指定聚类数量为 3
kmeans = KMeans(n_clusters=3)

# 训练模型
kmeans.fit(X)

# 获取聚类结果
labels = kmeans.labels_

# 获取聚类中心
centers = kmeans.cluster_centers_

这段代码使用了 `sklearn` 库中的 `KMeans` 类来实现 k 均值聚类算法。首先，我们随机生成了一个 100 行、2 列的数据矩阵 `X`。然后，我们创建了一个 `KMeans` 对象，并将聚类数量设置为 3。接下来，我们用 `fit` 方法训练模型，并用 `labels_` 属性获取聚类结果，用 `cluster_centers_` 属性获取聚类中心。

k均值算法python

以下是使用Python实现k均值算法的示例代码：

from numpy import *
import matplotlib.pyplot as plt

# 计算两个向量之间的欧氏距离
def euclDistance(vector1, vector2):
    return sqrt(sum(power(vector2 - vector1, 2)))

# 初始化数据的质心，k表示簇的个数
def initCentroids(dataSet, k):
    numSamples, dim = dataSet.shape
    centroids = zeros((k, dim))
    for i in range(k):
        index = int(random.uniform(0, numSamples))
        centroids[i, :] = dataSet[index, :]
    return centroids

# k均值聚类算法
def kMeans(dataSet, k):
    numSamples = dataSet.shape[0]
    # 第一列存储该样本属于哪个簇，第二列存储该样本距离所属簇的距离
    clusterAssment = mat(zeros((numSamples, 2)))
    clusterChanged = True

    # 初始化质心
    centroids = initCentroids(dataSet, k)

    while clusterChanged:
        clusterChanged = False
        # 遍历每个样本
        for i in range(numSamples):
            minDist = 100000.0
            minIndex = 0
            # 遍历每个质心
            for j in range(k):
                distance = euclDistance(centroids[j, :], dataSet[i, :])
                if distance < minDist:
                    minDist = distance
                    minIndex = j
            # 如果该样本所属的簇发生了变化
            if clusterAssment[i, 0] != minIndex:
                clusterChanged = True
                clusterAssment[i, :] = minIndex, minDist ** 2

        # 更新质心
        for j in range(k):
            pointsInCluster = dataSet[nonzero(clusterAssment[:, 0].A == j)[0]]
            centroids[j, :] = mean(pointsInCluster, axis=0)

    print('Cluster complete!')
    return centroids, clusterAssment

# 可视化聚类结果
def showCluster(dataSet, k, centroids, clusterAssment):
    numSamples, dim = dataSet.shape
    if dim != 2:
        print("Sorry! I can not draw because the dimension of your data is not 2!")
        return 1

    # 用不同颜色和标记绘制每个簇的点
    mark = ['or', 'ob', 'og', 'ok', '^r', '+r', 'sr', 'dr', '<r', 'pr']
    for i in range(numSamples):
        markIndex = int(clusterAssment[i, 0])
        plt.plot(dataSet[i, 0], dataSet[i, 1], mark[markIndex])

    # 用不同颜色和标记绘制质心
    mark = ['*r', '*b', '*g', '*k', '^b', '+b', 'sb', 'db', '<b', 'pb']
    for i in range(k):
        plt.plot(centroids[i, 0], centroids[i, 1], mark[i], markersize=20)

    plt.show()

# 测试
if __name__ == '__main__':
    # 生成测试数据
    dataMat = mat(random.rand(100, 2))
    # 聚类个数为4
    k = 4
    # 运行k均值聚类算法
    centroids, clusterAssment = kMeans(dataMat, k)
    # 可视化聚类结果
    showCluster(dataMat, k, centroids, clusterAssment)