Python中KMeans聚類有什么用

這篇文章主要為大家展示了“Python中KMeans聚類有什么用”，內容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領大家一起研究并學習一下“Python中KMeans聚類有什么用”這篇文章吧。

示例

from pylab import *
from sklearn.cluster import KMeans

## 利用numpy.append()函數實現matlab多維數組合并的效果，axis 參數值為 0 時是 y 軸方向合并，參數值為 1 時是 x 軸方向合并，分別對應matlab [A ; B] 和 [A , B]的效果

#創建5個隨機的數據集
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)

# 下面用較笨的方法把5個數據集合并成 （2500，2）大小的數組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_ # 獲取數據中心點

plot(t[:,0],t[:,1],'r*',markersize=16) # 顯示這5個中心點，五角星標記~

title('KMeans Clustering')
box(False)

xticks([])  # 去掉坐標軸的標記
yticks([])

show()

結果如下：

2017/01/11更新

今天重新試運行程序的出現報錯了，提示導入NUMPY_MKL失敗，因為之前用命令pip install -U numpy手動更新了numpy，最初的是在http://www.lfd.uci.edu/~gohlke/pythonlibs/#numpy 里下載的numpy-1.11.2+mkl-cp27-cp27m-win_amd64.whl 文件安裝的，只要重新安裝回去就可以了

2017/1/18更新

python中還有一個叫plotly 的package，可以通過pip install plotly 或 pip3 install plotly(Python3.X) ，使用這個package可以繪制精美的圖像，官網中有很多例子介紹，同時plotly 還支持matlab，R等，但是個人覺得plotly 的繪圖語法相比matplotlib 的繁瑣，需要照著例程來修改才比較方便，不過如果只是要想數據可視化更好看的話參考官網例程并做修改也無妨，下面是來自官網的一段示例代碼：

import plotly.plotly as py
import plotly.graph_objs as go
import plotly
import numpy as np

#生成三組高斯分布(Gaussian Distribution)點集

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)

#創建圖形對象 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'
)
#布局是一個字典，字典關鍵字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]
#圖像包括數據部分和布局部分
fig = {
 'data': data,
 'layout': layout,
}
#使用離線的方式繪制圖像，因為沒有注冊官方的網站，而且那個網站不容易進去，所以用離線繪制
plotly.offline.plot(fig, filename='clusters')

結果是通過瀏覽器打開圖片的，可以保存到本地，如下圖：

以上是“Python中KMeans聚類有什么用”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！