python实现kmeans聚类算法形成用户画像

K-means聚类算法是一种常见的无监督学习算法，它可以将一组数据分成K个簇。在用户画像方面，我们可以将用户的行为数据（如点击、购买等）作为输入数据，然后使用K-means算法将用户划分成不同的簇，每个簇代表一个用户群体，从而形成用户画像。

下面是一个简单的Python实现K-means聚类算法的例子：

import numpy as np
from sklearn.cluster import KMeans

# 构造样本数据
X = np.array([
    [1, 2],
    [1, 4],
    [1, 0],
    [4, 2],
    [4, 4],
    [4, 0]
])

# 聚类成两个簇
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)

# 输出聚类结果
print(kmeans.labels_)

以上代码中，我们首先构造了一个二维的样本数据X，然后使用sklearn库中的KMeans类进行聚类，将样本数据分成两个簇。最后输出每个样本所属的簇的标签，即可得到聚类结果。

在实际应用中，我们需要根据业务需求选择合适的特征作为输入数据，并且需要调整聚类的簇数和其他超参数，以达到最优的聚类效果。