用python对13个样本点进行Kmeans聚类分析，画图

可以使用Python中的scikit-learn库来进行Kmeans聚类分析，以下是一个简单的示例代码：

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

# 生成13个样本点的数据
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0], [7, 2], [7, 4], [7, 0], [10, 2], [10, 4], [10, 0], [13, 2]])

# 进行Kmeans聚类分析
kmeans = KMeans(n_clusters=3, random_state=0).fit(X)

# 绘制聚类结果图
plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_, cmap='viridis')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], marker='*', s=200, c='#050505')
plt.show()

运行以上代码，即可得到13个样本点的Kmeans聚类分析结果图。

相关问题

python对26个1*26的行向量进行kmeans聚类分析

可以使用scikit-learn库中的KMeans算法来实现对26个1*26的行向量进行kmeans聚类分析。

首先，需要将这26个行向量放入一个26*26的矩阵中，即每个行向量为矩阵的一行。

然后，可以使用以下代码实现KMeans聚类分析：

from sklearn.cluster import KMeans

data = [[1, 0, 1, ...], [0, 1, 0, ...], ..., [1, 1, 0, ...]] # 26*26的矩阵，每个元素为0或1

kmeans = KMeans(n_clusters=5) # 聚成5类
kmeans.fit(data)

labels = kmeans.labels_ # 得到每个样本所属的类别
centroids = kmeans.cluster_centers_ # 得到每个类别的中心点

print(labels)
print(centroids)

其中，`n_clusters`参数表示需要聚成的类别数，`fit`方法用于拟合模型并进行聚类，`labels_`属性得到每个样本所属的类别，`cluster_centers_`属性得到每个类别的中心点。

注意，由于行向量的维度较小，聚类效果可能不太理想，可以考虑增加数据量或增加向量的维度。

python进行kmeans聚类分析

以下是使用Python进行K-means聚类分析的步骤和示例代码：

1.导入必要的库和数据集

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

# 生成随机数据
X, y = make_blobs(n_samples=1000, centers=4, random_state=42)

2.确定最佳的聚类数量

# 通过肘部法则确定最佳的聚类数量
wcss = []
for i in range(1, 11):
    kmeans = KMeans(n_clusters=i, init='k-means++', max_iter=300, n_init=10, random_state=0)
    kmeans.fit(X)
    wcss.append(kmeans.inertia_)
plt.plot(range(1, 11), wcss)
plt.title('Elbow Method')
plt.xlabel('Number of clusters')
plt.ylabel('WCSS')
plt.show()

3.训练K-means模型并进行预测

# 训练K-means模型并进行预测
kmeans = KMeans(n_clusters=4, init='k-means++', max_iter=300, n_init=10, random_state=0)
pred_y = kmeans.fit_predict(X)

4.可视化聚类结果

# 可视化聚类结果
plt.scatter(X[:,0], X[:,1])
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=300, c='red')
plt.title('Clustered Data')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()