k-means 代码

以下是 Python 中实现 k-means 算法的代码：

import numpy as np
from sklearn.cluster import KMeans

# 生成数据
data = np.random.rand(100, 2)

# 创建 k-means 模型
kmeans = KMeans(n_clusters=3)

# 训练模型
kmeans.fit(data)

# 输出聚类结果
labels = kmeans.labels_  # 每个数据点对应的簇标签
centers = kmeans.cluster_centers_  # 每个簇的中心点

print(labels)
print(centers)

以上代码中，我们首先生成了一个 100 行 2 列的随机数据集，然后使用 `KMeans` 类创建了一个 k-means 模型。在训练模型之后，我们可以通过 `labels_` 属性获得每个数据点对应的簇标签，通过 `cluster_centers_` 属性获得每个簇的中心点。

相关问题

python实现k-means代码

Python实现k-means的代码很简单，可以使用scikit-learn库中的KMeans类来实现。例如，以下代码可以用来实现k-means聚类：from sklearn.cluster import KMeanskmeans = KMeans(n_clusters=3, random_state=0).fit(X)

R语言k-means代码

以下是使用R语言实现K-means算法的代码示例：

# 导入数据
data <- read.csv("data.csv")

# 执行K-means聚类
kmeans_result <- kmeans(data, centers = 3)

# 打印聚类结果
print(kmeans_result$cluster)

上述代码中，首先使用`read.csv`函数导入数据，然后使用`kmeans`函数执行K-means聚类，其中`centers`参数指定聚类的中心数量。最后，使用`print`函数打印聚类结果。