层次聚类python代码

下面是一个使用scikit-learn库进行层次聚类的Python代码示例：

from sklearn.cluster import AgglomerativeClustering
import numpy as np

# 创建样本数据
X = np.array([[5, 3],  
              [10, 15],
              [15, 12],
              [24, 10],
              [30, 30],
              [85, 70],
              [71, 80],
              [60, 78],
              [70, 55],
              [80, 91],])

# 进行层次聚类
clustering = AgglomerativeClustering(n_clusters=2).fit(X)

# 打印每个样本所属的簇
print(clustering.labels_)

上面的代码创建了一个包含10个样本的数据集，并使用`AgglomerativeClustering`类进行层次聚类。聚类的数量被设置为2个，因此最终生成2个簇。聚类结果存储在`clustering.labels_`中，打印输出即可看到每个样本所属的簇。

相关问题

层次聚类 python代码

层次聚类是一种基于树形结构的聚类算法，它通过计算样本之间的相似度来构建一棵树形结构，树的叶子节点就是样本，而树的根节点则是所有样本的最近公共祖先。层次聚类分为两种：自上而下的聚合式层次聚类和自下而上的分裂式层次聚类。

下面是一个使用 Python 实现层次聚类的简单示例代码：

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

# 生成随机数据
X = np.random.rand(10, 2)

# 计算相似度矩阵
Z = linkage(X, 'ward')

# 绘制树状图
fig = plt.figure(figsize=(25, 10))
dn = dendrogram(Z)
plt.show()

在这个示例中，我们使用 numpy 库生成了一个包含 10 个样本，每个样本有两个特征的随机数据集。然后使用 scipy 库中的 linkage 函数计算相似度矩阵，并选择使用 Ward 方法进行层次聚类。最后使用 matplotlib 库绘制树状图。

层次聚类python

层次聚类是一种用于将数据集划分为不同的群组的聚类算法。在Python中，可以使用scipy库中的scipy.cluster.hierarchy模块来进行层次聚类。首先，需要导入所需的类和函数，如下所示：

import scipy.cluster.hierarchy as sch
import numpy as np

接下来，可以使用pdist函数计算数据点之间的距离矩阵，例如使用欧氏距离：

disMat = sch.distance.pdist(points, 'euclidean')

然后，可以使用linkage函数进行层次聚类：

Z = sch.linkage(disMat, method='average')

聚类结果可以通过dendrogram函数绘制成树状图：

P = sch.dendrogram(Z)

如果需要保存树状图，可以使用savefig函数：

plt.savefig('plot_dendrogram.png')

最后，可以使用fcluster函数根据给定的阈值将数据点分配到不同的聚类中：

cluster = sch.fcluster(Z, t=1, criterion='inconsistent')

这样就可以得到层次聚类的结果。另外，如果想要使用k-means聚类算法，可以使用scipy.cluster.vq模块中的kmeans和vq函数。具体的代码和使用方法可以参考上述引用\[2\]中的代码示例。如果需要更详细的信息，可以参考scipy官方文档中关于scipy.cluster.hierarchy和scipy.cluster.vq模块的描述，具体参考引用\[3\]中的官方描述链接。
#### 引用[.reference_title]
- *1* *2* *3* [运用python进行层次聚类](https://blog.csdn.net/qq_40527086/article/details/83218513)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]