1、使用pandas读取wine.csv，赋给数据框wine_data 2、wine_data中Class列为酒的类别，其余列为酒的相应成分 3、构建K-Means模型，聚集成3个簇

好的，下面是实现的代码：

import pandas as pd
from sklearn.cluster import KMeans

# 读取wine.csv文件，赋给数据框wine_data
wine_data = pd.read_csv('wine.csv')

# 分离出特征和目标列
X = wine_data.iloc[:, 1:]
y = wine_data['Class']

# 构建K-Means模型，聚集成3个簇
kmeans = KMeans(n_clusters=3)
kmeans.fit(X)

# 输出聚类结果
labels = kmeans.labels_
wine_data['Cluster'] = labels
print(wine_data)

首先，我们使用pandas库的read_csv()函数读取wine.csv文件，并将数据赋值给wine_data数据框。

然后，我们将特征列和目标列分别赋值给变量X和y。

接着，我们使用sklearn库的KMeans()函数构建K-Means模型，并将聚成3个簇。

然后，我们使用fit()函数对模型进行训练，然后使用labels_属性获取聚类结果。

最后，我们将聚类结果添加到数据框中，并输出结果。

希望对您有帮助。

相关问题

利用k-means算法对UCI数据库中wine数据集聚类的代码

以下是利用k-means算法对UCI数据库中wine数据集聚类的Python代码：

import pandas as pd
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

# 读取数据集
data = pd.read_csv('wine.data', header=None)
data.columns = ['class', 'Alcohol', 'Malic acid', 'Ash', 'Alcalinity of ash', 'Magnesium', 'Total phenols',
                'Flavanoids', 'Nonflavanoid phenols', 'Proanthocyanins', 'Color intensity', 'Hue',
                'OD280/OD315 of diluted wines', 'Proline']

# 分离特征和标签
X = data.iloc[:, 1:].values
y = data.iloc[:, 0].values

# 标准化特征
scaler = StandardScaler()
X = scaler.fit_transform(X)

# 聚类
kmeans = KMeans(n_clusters=3, random_state=0).fit(X)

# 输出聚类结果
print(kmeans.labels_)

其中，'wine.data'是wine数据集的文件名。在代码中，先用Pandas库读取数据集，然后将特征和标签分离。接着，使用StandardScaler将特征进行标准化处理。最后使用sklearn库中的KMeans算法进行聚类。聚类时选择3个簇，输出聚类结果。

对UCI数据库中wine数据集用k-means算法聚类并可视化的代码

以下是对UCI数据库中wine数据集用k-means算法聚类并可视化的Python代码：

import pandas as pd
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt

# 读取数据集
data = pd.read_csv('wine.data', header=None)
data.columns = ['class', 'Alcohol', 'Malic acid', 'Ash', 'Alcalinity of ash', 'Magnesium', 'Total phenols',
                'Flavanoids', 'Nonflavanoid phenols', 'Proanthocyanins', 'Color intensity', 'Hue',
                'OD280/OD315 of diluted wines', 'Proline']

# 分离特征和标签
X = data.iloc[:, 1:].values
y = data.iloc[:, 0].values

# 标准化特征
scaler = StandardScaler()
X = scaler.fit_transform(X)

# 聚类
kmeans = KMeans(n_clusters=3, random_state=0).fit(X)

# 可视化聚类结果
plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_, cmap='viridis')
plt.xlabel('Alcohol')
plt.ylabel('Malic acid')
plt.show()

在代码中，首先读取数据集，分离特征和标签，标准化特征，然后使用KMeans聚类算法聚类。最后，使用Matplotlib库进行可视化，将聚类结果用散点图表示。其中，散点图的x轴是Alcohol特征，y轴是Malic acid特征，每个点的颜色代表该点的聚类类别。