#程序文件ti11_1.py import numpy as np import pylab as plt import scipy.cluster.hierarchy as sch from sklearn.cluster import KMeans a=np.loadtxt('ti11_1.txt') z=sch.linkage(a,method='complete',metric='mahalanobis') sch.dendrogram(z, labels=np.arange(1,18)) b=(a-a.min(axis=0))/(a.max(axis=0)-a.min(axis=0)) SSE=[]; K=np.arange(1,9) for i in K: md=KMeans(i).fit(b) SSE.append(md.inertia_) plt.figure(2); plt.plot(K, SSE, '*-'); plt.show() md4=KMeans(4).fit(b) #聚类成4类 labels=md4.labels_+1 #提取聚类标签 print('聚类结果为：', labels) for i in range(1,5): print(i,'类：', np.where(labels==i)[0]+1)

这是一段 Python 代码，实现了对数据进行聚类的功能。首先从文件中读取数据，然后使用 scipy 库中的 linkage 函数进行层次聚类，得到一个聚类树状图。接着对数据进行归一化处理，并使用 sklearn 库中的 KMeans 函数进行 K 均值聚类，得到聚类标签。最后输出聚类结果和每个类别所包含的样本编号。

具体流程如下：

1. 导入所需的库：

import numpy as np
import pylab as plt
import scipy.cluster.hierarchy as sch
from sklearn.cluster import KMeans

2. 读取数据：

a = np.loadtxt('ti11_1.txt')

3. 进行层次聚类，并绘制聚类树状图：

z = sch.linkage(a, method='complete', metric='mahalanobis')
sch.dendrogram(z, labels=np.arange(1, 18))

4. 对数据进行归一化处理：

b = (a - a.min(axis=0)) / (a.max(axis=0) - a.min(axis=0))

5. 进行 K 均值聚类，并绘制 SSE-K 曲线：

SSE = []
K = np.arange(1, 9)
for i in K:
    md = KMeans(i).fit(b)
    SSE.append(md.inertia_)
plt.figure(2)
plt.plot(K, SSE, '*-')
plt.show()

6. 聚类成 4 类，并输出聚类结果和每个类别所包含的样本编号：

md4 = KMeans(4).fit(b)
labels = md4.labels_ + 1
print('聚类结果为：', labels)
for i in range(1, 5):
    print(i, '类：', np.where(labels==i)[0]+1)

其中，ti11_1.txt 文件是包含 17 个样本、每个样本有 3 个特征的数据文件。