python实现kmeans聚类代码

好的，以下是 Python 实现 K-Means 聚类的示例代码：

import numpy as np
from sklearn.cluster import KMeans

# 准备数据
X = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])

# 定义 KMeans 模型
kmeans = KMeans(n_clusters=2)

# 训练模型并预测结果
kmeans.fit(X)
labels = kmeans.predict(X)

print(labels)

该代码演示了如何使用 Scikit-Learn 库中的 KMeans 类对数据进行聚类。在执行该代码前，你需要先安装 Scikit-Learn 库，你可以通过以下命令进行安装：

pip install scikit-learn

希望对你有所帮助。

相关问题

python中kmeans聚类代码

可以直接搜索 "python kmeans clustering"，这里是一些示例代码：

from sklearn.cluster import KMeans
import numpy as np

# generate some random data
X = np.random.rand(100,2)

# create a KMeans object and fit the data
kmeans = KMeans(n_clusters=3, random_state=0).fit(X)

# get the labels and centroids of the clusters
labels = kmeans.labels_
centroids = kmeans.cluster_centers_

Python实现kmeans聚类算法

好的，以下是Python实现kmeans聚类算法的示例代码：

import numpy as np
import random

def kmeans(X, k, max_iterations=100):
    # 随机初始化k个中心点
    centroids = X[random.sample(range(len(X)), k)]
    
    for i in range(max_iterations):
        # 计算每个样本点距离哪个中心点最近
        distances = np.linalg.norm(X[:, None, :] - centroids, axis=2)
        labels = np.argmin(distances, axis=1)
        
        # 更新中心点为各个簇的平均值
        for j in range(k):
            centroids[j] = np.mean(X[labels == j], axis=0)
    
    return labels, centroids

其中，X是样本数据，k是簇的数量，max_iterations是最大迭代次数。函数返回每个样本点所属的簇的标签和最终的中心点坐标。