聚类算法 python

以下是 Python 中常用的几种聚类算法的示例代码：

### K-Means 聚类算法

from sklearn.cluster import KMeans
import numpy as np

# 定义一个二维数据集
data = np.array([[1, 2], [3, 4], [1, 4], [2, 1], [3, 5], [5, 7]])

# 创建 KMeans 模型并拟合数据
kmeans = KMeans(n_clusters=2)
kmeans.fit(data)

# 打印聚类结果
print(kmeans.labels_)

在上面的示例代码中，我们首先定义了一个二维数据集 `data`，它包含了一些数据点。然后，我们使用 `KMeans` 创建了一个 K-Means 聚类模型，并设置聚类数为 2。接下来，我们使用 `fit` 方法拟合数据，并使用 `labels_` 属性获取每个数据点所属的聚类标签。

### 层次聚类算法

from scipy.cluster.hierarchy import dendrogram, linkage
import matplotlib.pyplot as plt

# 定义一个二维数据集
data = np.array([[1, 2], [3, 4], [1, 4], [2, 1], [3, 5], [5, 7]])

# 计算距离矩阵
Z = linkage(data, 'ward')

# 绘制树状图
plt.figure(figsize=(10, 5))
dendrogram(Z)
plt.show()

在上面的示例代码中，我们首先定义了一个二维数据集 `data`，它包含了一些数据点。然后，我们使用 `linkage` 函数计算数据点之间的距离矩阵，并设置距离计算方法为 `ward`。接下来，我们使用 `dendrogram` 函数绘制树状图。

### DBSCAN 聚类算法

from sklearn.cluster import DBSCAN
import numpy as np

# 定义一个二维数据集
data = np.array([[1, 2], [3, 4], [1, 4], [2, 1], [3, 5], [5, 7]])

# 创建 DBSCAN 模型并拟合数据
dbscan = DBSCAN(eps=1, min_samples=2)
dbscan.fit(data)

# 打印聚类结果
print(dbscan.labels_)

在上面的示例代码中，我们首先定义了一个二维数据集 `data`，它包含了一些数据点。然后，我们使用 `DBSCAN` 创建了一个 DBSCAN 聚类模型，并设置半径大小为 1，最小样本数为 2。接下来，我们使用 `fit` 方法拟合数据，并使用 `labels_` 属性获取每个数据点所属的聚类标签。