streamlit，鸢尾花数据作k-means聚类

以下是使用Streamlit和Python编写的鸢尾花数据的K-Means聚类应用程序。

import streamlit as st
import pandas as pd
import numpy as np
from sklearn.cluster import KMeans
import plotly.express as px

# 加载数据
@st.cache(allow_output_mutation=True)
def load_data():
    data = pd.read_csv("https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data", header=None)
    data.columns = ["sepal_length", "sepal_width", "petal_length", "petal_width", "class"]
    return data

# 聚类模型训练
def cluster_data(data, num_clusters):
    X = data.iloc[:, :-1].values
    kmeans = KMeans(n_clusters=num_clusters, init='k-means++')
    kmeans.fit(X)
    data['cluster'] = kmeans.labels_
    return data

# 主函数
def main():
    st.title("Iris Data K-Means Clustering")
    st.sidebar.title("Parameters")
    st.set_option('deprecation.showPyplotGlobalUse', False)

    # 加载数据
    data = load_data()

    # 显示原始数据
    st.subheader("Raw Data")
    st.write(data)

    # 显示数据摘要
    st.subheader("Data Summary")
    st.write(data.describe())

    # 选择聚类数量
    num_clusters = st.sidebar.slider("Select number of clusters", 2, 10)

    # 训练聚类模型
    clustered_data = cluster_data(data, num_clusters)

    # 显示聚类后的数据
    st.subheader("Clustered Data")
    st.write(clustered_data)

    # 绘制聚类图表
    fig = px.scatter_3d(clustered_data, x="sepal_length", y="petal_length", z="sepal_width", color="cluster")
    st.plotly_chart(fig)

if __name__ == "__main__":
    main()

在运行应用程序时，您将看到一个侧边栏，用于选择聚类数量。选择聚类数量后，应用程序将显示原始数据、数据摘要、聚类后的数据和聚类图表。


您可以在这里找到完整的代码和数据文件： https://github.com/streamlit/demo-iris-app