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！
