这篇文章主要为大家展示了“python中kmeans聚类有什么用”,内容简而易懂,条理清晰,希望能够帮助大家解决疑惑,下面让小编带领大家一起研究并学习一下“python中kmeans聚类有什么用”这篇文章吧。
示例
from pylab import * from sklearn.cluster import kmeans ## 利用numpy.append()函数实现matlab多维数组合并的效果,axis 参数值为 0 时是 y 轴方向合并,参数值为 1 时是 x 轴方向合并,分别对应matlab [a ; b] 和 [a , b]的效果 #创建5个随机的数据集 x1=append(randn(500,1) 5,randn(500,1) 5,axis=1) x2=append(randn(500,1) 5,randn(500,1)-5,axis=1) x3=append(randn(500,1)-5,randn(500,1) 5,axis=1) x4=append(randn(500,1)-5,randn(500,1)-5,axis=1) x5=append(randn(500,1),randn(500,1),axis=1) # 下面用较笨的方法把5个数据集合并成 (2500,2)大小的数组data data=append(x1,x2,axis=0) data=append(data,x3,axis=0) data=append(data,x4,axis=0) data=append(data,x5,axis=0) plot(x1[:,0],x1[:,1],'oc',markersize=0.8) plot(x2[:,0],x2[:,1],'og',markersize=0.8) plot(x3[:,0],x3[:,1],'ob',markersize=0.8) plot(x4[:,0],x4[:,1],'om',markersize=0.8) plot(x5[:,0],x5[:,1],'oy',markersize=0.8) k=kmeans(n_clusters=5,random_state=0).fit(data) t=k.cluster_centers_ # 获取数据中心点 plot(t[:,0],t[:,1],'r*',markersize=16) # 显示这5个中心点,五角星标记~ title('kmeans clustering') box(false) xticks([]) # 去掉坐标轴的标记 yticks([]) show()
结果如下:
2017/01/11更新
今天重新试运行程序的出现报错了,提示导入numpy_mkl失败,因为之前用命令pip install -u numpy手动更新了numpy,最初的是在http://www.lfd.uci.edu/~gohlke/pythonlibs/#numpy 里下载的numpy-1.11.2 mkl-cp27-cp27m-win_amd64.whl 文件安装的,只要重新安装回去就可以了
2017/1/18更新
python中还有一个叫plotly 的package,可以通过pip install plotly 或 pip3 install plotly(python3.x) ,使用这个package可以绘制精美的图像,凯发娱发k8官网中有很多例子介绍,同时plotly 还支持matlab,r等,但是个人觉得plotly 的绘图语法相比matplotlib 的繁琐,需要照着例程来修改才比较方便,不过如果只是要想数据可视化更好看的话参考凯发娱发k8官网例程并做修改也无妨,下面是来自凯发娱发k8官网的一段示例代码:
import plotly.plotly as py import plotly.graph_objs as go import plotly import numpy as np #生成三组高斯分布(gaussian distribution)点集 x0 = np.random.normal(2, 0.45, 300) y0 = np.random.normal(2, 0.45, 300) x1 = np.random.normal(6, 0.8, 200) y1 = np.random.normal(6, 0.8, 200) x2 = np.random.normal(4, 0.3, 200) y2 = np.random.normal(4, 0.3, 200) #创建图形对象 graph object trace0 = go.scatter( x=x0, y=y0, mode='markers', ) trace1 = go.scatter( x=x1, y=y1, mode='markers' ) trace2 = go.scatter( x=x2, y=y2, mode='markers' ) trace3 = go.scatter( x=x1, y=y0, mode='markers' ) #布局是一个字典,字典关键字keys包括:'shapes', 'showlegend' layout = { 'shapes': [ { 'type': 'circle', 'xref': 'x', 'yref': 'y', 'x0': min(x0), 'y0': min(y0), 'x1': max(x0), 'y1': max(y0), 'opacity': 0.2, 'fillcolor': 'blue', 'line': { 'color': 'blue', }, }, { 'type': 'circle', 'xref': 'x', 'yref': 'y', 'x0': min(x1), 'y0': min(y1), 'x1': max(x1), 'y1': max(y1), 'opacity': 0.2, 'fillcolor': 'orange', 'line': { 'color': 'orange', }, }, { 'type': 'circle', 'xref': 'x', 'yref': 'y', 'x0': min(x2), 'y0': min(y2), 'x1': max(x2), 'y1': max(y2), 'opacity': 0.2, 'fillcolor': 'green', 'line': { 'color': 'green', }, }, { 'type': 'circle', 'xref': 'x', 'yref': 'y', 'x0': min(x1), 'y0': min(y0), 'x1': max(x1), 'y1': max(y0), 'opacity': 0.2, 'fillcolor': 'red', 'line': { 'color': 'red', }, }, ], 'showlegend': false, } data = [trace0, trace1, trace2, trace3] #图像包括数据部分和布局部分 fig = { 'data': data, 'layout': layout, } #使用离线的方式绘制图像,因为没有注册官方的网站,而且那个网站不容易进去,所以用离线绘制 plotly.offline.plot(fig, filename='clusters')
结果是通过浏览器打开图片的,可以保存到本地,如下图:
以上是“python中kmeans聚类有什么用”这篇文章的所有内容,感谢各位的阅读!相信大家都有了一定的了解,希望分享的内容对大家有所帮助,如果还想学习更多知识,欢迎关注本站行业资讯频道!