python k-means++算法代码

好的，以下是 Python 的 K-Means 算法代码示例：

from sklearn.cluster import KMeans
import numpy as np
 
# 随机生成一些数据
X = np.random.rand(100, 2)
 
# 初始化 KMeans 模型并指定聚类数为2
kmeans = KMeans(n_clusters=2)
 
# 拟合数据（即进行聚类）
kmeans.fit(X)
 
# 获取聚类结果，即每个数据点属于哪个聚类
labels = kmeans.labels_
print(labels)

希望能够帮助您！

相关问题

k-means++聚类算法python实例

下面是一个使用k-means++聚类算法的Python实例：

import numpy as np
from sklearn.cluster import KMeans

# 生成随机数据
X = np.random.randn(100, 2)

# 使用k-means++聚类算法
kmeans = KMeans(n_clusters=3, init='k-means++', max_iter=300, n_init=10, random_state=0)
pred_y = kmeans.fit_predict(X)

# 可视化聚类结果
import matplotlib.pyplot as plt

plt.scatter(X[:,0], X[:,1])
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=300, c='red')
plt.show()

此代码将生成一个包含100个点的随机数据集，并使用k-means++聚类算法将其分成三个簇。最后，使用matplotlib库可视化聚类结果。

使用python代码实现输出k-means++算法的聚类结果

以下是使用Python实现k-means++算法的聚类结果的代码示例：

import numpy as np
from sklearn.cluster import KMeans

def kmeans_plus_plus(X, k):
    centers = [X[np.random.randint(len(X))]] # 随机初始化第一个簇中心
    while len(centers) < k:
        dists = np.array([min([np.linalg.norm(x - c) for c in centers]) for x in X])
        probs = dists / dists.sum()
        cumprobs = probs.cumsum()
        r = np.random.rand()
        for j, p in enumerate(cumprobs):
            if r < p:
                i = j
                break
        centers.append(X[i])
    return np.array(centers)

# 生成一些随机数据
np.random.seed(0)
X = np.vstack((np.random.randn(100, 2) * 0.75 + np.array([1, 0]),
               np.random.randn(100, 2) * 0.25 + np.array([-0.5, 0.5]),
               np.random.randn(100, 2) * 0.5 + np.array([-0.5, -0.5])))
# 使用k-means++聚类算法进行聚类
k = 3
init_centers = kmeans_plus_plus(X, k)
kmeans = KMeans(init=init_centers, n_clusters=k)
kmeans.fit(X)
# 输出聚类结果
print(kmeans.labels_)

该代码使用numpy生成一些随机数据，并使用k-means++算法进行聚类，输出聚类结果。其中，`kmeans_plus_plus`函数实现了k-means++算法，`KMeans`类是scikit-learn库中的k-means算法实现。