对称重数据进行聚类剔除异常值的Python程序

下面是一个简单的Python程序，用K-means算法对对称重数据进行聚类，并剔除异常值：

import numpy as np
from sklearn.cluster import KMeans

data = np.loadtxt("weight_data.txt", delimiter=",")  # 读取对称重数据

# 使用K-means算法进行聚类
kmeans = KMeans(n_clusters=3, random_state=0).fit(data)

# 计算每个聚类的均值和标准差
means = kmeans.cluster_centers_
stds = np.zeros((3,))
for i in range(3):
    stds[i] = np.std(data[kmeans.labels_ == i])

# 剔除异常值
clean_data = []
for i in range(len(data)):
    cluster = kmeans.predict([data[i]])[0]
    if abs(data[i] - means[cluster]) <= 2 * stds[cluster]:
        clean_data.append(data[i])

clean_data = np.array(clean_data)

print("原始数据：", data)
print("聚类均值：", means)
print("聚类标准差：", stds)
print("剔除异常值后的数据：", clean_data)

其中，weight_data.txt是包含对称重数据的文本文件，每行一个数据。程序中使用KMeans类进行聚类，并使用numpy库计算每个聚类的均值和标准差。最后，根据每个数据点所在聚类的均值和标准差来判断是否为异常值，并将不是异常值的数据点保存到clean_data数组中。