python计算不同聚类数量下的SSE

您可以使用scikit-learn库中的KMeans算法来计算不同聚类数量下的SSE（Sum of Squared Errors）。下面是一个示例代码：

from sklearn.cluster import KMeans
import numpy as np

# 假设您有一个数据集X，其中每一行表示一个样本
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])

# 设置不同的聚类数量
k_values = range(1, 6)

# 创建一个空列表来存储每个聚类数量对应的SSE值
sse_values = []

# 计算每个聚类数量下的SSE
for k in k_values:
    kmeans = KMeans(n_clusters=k, random_state=0)
    kmeans.fit(X)
    sse_values.append(kmeans.inertia_)

# 打印每个聚类数量对应的SSE值
for k, sse in zip(k_values, sse_values):
    print(f"For k={k}, SSE={sse}")

这段代码中，我们使用了一个简单的二维数据集X作为示例。您可以将代码中的X替换为您的实际数据。我们通过循环遍历不同的聚类数量（在这个示例中，从1到5），使用KMeans算法进行聚类，并将每个聚类数量对应的SSE值存储在一个列表中。最后，我们打印出每个聚类数量对应的SSE值。

请注意，SSE值越小表示聚类效果越好，但是SSE值会随着聚类数量的增加而减小，因此您需要选择一个合适的聚类数量，通常可以使用肘部法则（Elbow Method）来进行判断。