kmeans聚类算法python案例

kmeans聚类算法是一种常用的无监督学习算法，可以将数据集分成k个不同的簇。Python中有很多库可以实现kmeans聚类算法，比如scikit-learn和numpy等。下面是一个使用scikit-learn库实现kmeans聚类算法的Python案例：

from sklearn.cluster import KMeans
import numpy as np

# 生成随机数据
X = np.random.rand(100, 2)

# 定义kmeans模型
kmeans = KMeans(n_clusters=3)

# 训练模型
kmeans.fit(X)

# 预测结果
y_pred = kmeans.predict(X)

# 打印结果
print(y_pred)

在这个例子中，我们生成了一个包含100个样本的二维数据集，然后使用KMeans模型将其分成3个簇。最后，我们打印出每个样本所属的簇的标签。

相关问题

kmeans聚类算法python实现案例

### 使用 Python 和 Sklearn 庌现 KMeans 聚类

对于二维数据集，可以利用 `sklearn` 中的 `KMeans` 进行聚类分析，并通过 `matplotlib` 可视化结果。下面展示了一个完整的例子来说明如何实现这一过程。

#### 导入必要的库

import numpy as np
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs

创建模拟的数据集用于测试：

# 创建具有特定方差和数量的样本点作为训练数据
X, _ = make_blobs(n_samples=300, centers=4, cluster_std=0.60, random_state=0)
plt.scatter(X[:, 0], X[:, 1])
plt.show()

初始化并拟合模型:

kmeans = KMeans(n_clusters=4)  # 设定要找寻的簇数目为4
kmeans.fit(X)

y_kmeans = kmeans.predict(X)
centers = kmeans.cluster_centers_

绘制分类后的散点图以及质心位置：

plt.figure(figsize=(8, 6))
plt.scatter(X[:, 0], X[:, 1], c=y_kmeans, s=50, cmap='viridis')

plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.75);
plt.title('Cluster Centers and Data Points')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.grid(True)
plt.show()

评估聚类质量可选用轮廓系数[^3]:

from sklearn.metrics import silhouette_score

silhouette_avg = silhouette_score(X, y_kmeans)
print(f'Silhouette Score: {silhouette_avg}')

kmeans聚类算法python项目

### KMeans聚类算法 Python 实现示例

为了展示如何利用 `scikit-learn` 庌库中的KMeans模块来执行聚类分析，下面提供了一个简单的实例。此案例旨在帮助理解基本工作流程。

#### 安装依赖包
确保环境中已安装必要的软件包。如果尚未完成安装，则可以运行如下命令：

pip install scikit-learn matplotlib numpy pandas

#### 导入所需库并准备数据集
加载所需的Python库，并创建或导入用于测试的数据集。

import numpy as np
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import pandas as pd

# 创建随机样本点作为演示用途
X = np.random.rand(100, 2)

df = pd.DataFrame(X, columns=['Feature_1', 'Feature_2'])

#### 执行KMeans聚类操作
初始化模型对象，并调用fit方法训练模型；之后预测类别标签。

kmeans = KMeans(n_clusters=3)  # 设置簇的数量为3
kmeans.fit(df)
predicted_labels = kmeans.predict(df)
centers = kmeans.cluster_centers_

#### 可视化结果
绘制散点图以直观显示不同群组之间的分布情况。

plt.figure(figsize=(8, 6))
plt.scatter(df['Feature_1'], df['Feature_2'], c=predicted_labels, s=50, cmap='viridis')

plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.75);
plt.title('K-means Clustering')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.show()

上述代码片段展示了完整的基于Python的KMeans聚类过程[^1]。