k-means聚类算法python代码

### 回答1： K-means聚类算法是一种常用的聚类算法，Python可以使用sklearn库中的KMeans类来实现该算法。下面是一个简单的Python代码示例：from sklearn.cluster import KMeans# 创建KMeans模型 kmeans = KMeans(n_clusters=3, random_state=0)# 训练模型 kmeans.fit(data)# 预测结果 labels = kmeans.predict(data) ### 回答2： K-means聚类算法是一种常用的无监督学习算法，用于将样本数据分成K个不同的类簇。下面是一个用Python实现的简单K-means聚类算法示例： ``` import numpy as np # 定义K-means聚类算法函数 def k_means(data, k, max_iter=100): # 随机选择k个初始中心点 centers = np.random.choice(len(data), k, replace=False) labels = np.zeros(len(data)) for _ in range(max_iter): # 计算每个样本距离最近的中心点 for i, sample in enumerate(data): min_dist = float('inf') for j, center in enumerate(centers): dist = np.linalg.norm(sample - data[center]) if dist < min_dist: min_dist = dist labels[i] = j # 更新中心点 new_centers = [] for i in range(k): cluster_samples = [data[j] for j in range(len(data)) if labels[j] == i] new_center = np.mean(cluster_samples, axis=0) new_centers.append(new_center) # 如果中心点不再变化，停止迭代 if np.array_equal(centers, new_centers): break centers = new_centers return labels # 示例数据 data = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]]) # 调用K-means聚类算法 labels = k_means(data, k=2) print("聚类结果：", labels) ``` 以上代码实现了一个简单的K-means聚类算法，并应用于一个二维数据集。函数`k_means`接受三个参数：`data`表示输入的数据集，`k`表示聚类的类别数，`max_iter`表示最大迭代次数（默认为100）。函数的输出是一个数组`labels`，表示每个数据点所属的类别。 在示例数据中，根据设置的`k=2`进行聚类，最终输出每个数据点所属的类别。 ### 回答3： k-means聚类算法是一种常用的聚类方法，其原理是将数据集划分为k个簇，每个簇内的数据点与该簇的质心距离最小。以下是一个简单的k-means聚类算法的Python代码示例： ```python import numpy as np def kmeans(X, k, max_iters=100): # 随机初始化k个质心 centroids = X[np.random.choice(range(len(X)), k, replace=False)] for _ in range(max_iters): # 计算每个样本点到质心的距离，并分配到最近的簇 distances = np.linalg.norm(X[:, np.newaxis] - centroids, axis=2) labels = np.argmin(distances, axis=1) # 更新质心位置为簇内样本点的均值 for i in range(k): centroids[i] = np.mean(X[labels == i], axis=0) return labels, centroids # 示例数据集 X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]]) # 调用k-means算法进行聚类，设定k=2 labels, centroids = kmeans(X, k=2) # 打印聚类结果 print(labels) # 打印每个样本点所属的簇 print(centroids) # 打印最终的质心位置 ``` 上述代码中，首先随机初始化k个质心，然后循环迭代求解每个样本点与质心的距离，并将其分配到最近的簇。然后，更新每个簇内样本点的均值作为新的质心位置，迭代直至满足最大迭代次数。最后，返回每个样本点所属的簇和最终的质心位置。在上述示例中，我们使用了一个简单的二维数据集，并设定k=2进行聚类。最后的聚类结果为两个子簇的标签（0或1）以及对应的质心位置。