分裂聚类得到3个聚类代码

以下是一种使用分裂聚类得到3个聚类的示例代码：

import numpy as np
from sklearn.cluster import KMeans

# 构造数据
data = np.array([[1, 2], [2, 3], [3, 4], [4, 5], [5, 6], [6, 7], [7, 8], [8, 9], [9, 10], [10, 11]])

# 定义分裂聚类函数
def split_cluster(data):
    # 初始化聚类中心
    center = np.mean(data, axis=0)
    # 计算所有数据点距离聚类中心的距离
    dist = np.linalg.norm(data - center, axis=1)
    # 将距离聚类中心较近的一组作为一个子类，距离较远的一组作为另一个子类
    cluster1 = data[dist < np.median(dist)]
    cluster2 = data[dist >= np.median(dist)]
    # 如果聚类中心距离所有数据点都较远，直接返回一个聚类
    if len(cluster1) == 0 or len(cluster2) == 0:
        return [data]
    # 否则，对两个子类分别进行递归聚类
    else:
        return split_cluster(cluster1) + split_cluster(cluster2)

# 将数据分成3个聚类
clusters = split_cluster(data)
while len(clusters) < 3:
    # 如果聚类数量不足3个，使用KMeans对剩余数据进行聚类
    remaining_data = np.concatenate(clusters, axis=0)
    kmeans = KMeans(n_clusters=3-len(clusters))
    kmeans.fit(remaining_data)
    new_clusters = [remaining_data[kmeans.labels_ == i] for i in range(3-len(clusters))]
    clusters += new_clusters

# 打印聚类结果
for i, cluster in enumerate(clusters):
    print(f"Cluster {i+1}:")
    print(cluster)

在这个示例代码中，我们使用了numpy库和scikit-learn库进行分裂聚类和KMeans聚类。首先，我们构造了一个包含10个数据点的二维数据，然后定义了一个递归的分裂聚类函数，将数据分成两个子类，并对每个子类递归地进行聚类，直到满足聚类的终止条件。然后，我们将分裂聚类得到的聚类加入到聚类列表中，直到聚类数量达到3个为止。如果聚类数量不足3个，我们使用KMeans对剩余数据进行聚类，并将聚类加入聚类列表中。最后，我们打印出每个聚类的数据点。