python实现K均值聚类_k均值聚类 python

K均值（K-Means）聚类是一种非常常见的无监督学习算法，用于将数据点划分为K个集群。以下是使用Python和scikit-learn库实现K均值聚类分析的基本步骤：

1. 导入必要的库
2. 准备数据集
3. 初始化K均值聚类器
4. 训练聚类器
5. 预测数据点的集群
6. 可视化结果（如果数据集是二维的）

下面是一个简单的示例：

from sklearn.cluster import KMeans  
import numpy as np  
import matplotlib.pyplot as plt  
  
# 1. 准备数据集  
# 假设我们有一个二维数据集  
data = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])  
  
# 2. 初始化K均值聚类器  
# 我们选择K=2，即我们想要将数据划分为两个集群  
kmeans = KMeans(n_clusters=2, random_state=0)  
  
# 3. 训练聚类器  
kmeans.fit(data)  
  
# 4. 预测数据点的集群  
labels = kmeans.predict(data)  
  
# 5. 可视化结果  
plt.scatter(data[:, 0], data[:, 1], c=labels, s=50, cmap='viridis')  
  
# 画出聚类中心  
centers = kmeans.cluster_centers_  
plt.scatter(centers[:, 0], centers[:, 1], c='black', s=200, alpha=0.5);  
  
plt.show()

在上面的代码中，我们首先导入了必要的库，然后准备了一个简单的二维数据集。我们初始化了一个K均值聚类器，设置了集群数量为2，并使用数据集对其进行训练。然后，我们使用聚类器预测数据点的集群，并使用matplotlib库将结果可视化。最后，我们还画出了每个集群的中心点。