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(nèi)容簡(jiǎn)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(lǐng)大家一起研究并學(xué)習(xí)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(shù)實(shí)現(xiàn)matlab多維數(shù)組合并的效果，axis 參數(shù)值為 0 時(shí)是 y 軸方向合并，參數(shù)值為 1 時(shí)是 x 軸方向合并，分別對(duì)應(yīng)matlab [A ; B] 和 [A , B]的效果

#創(chuàng)建5個(gè)隨機(jī)的數(shù)據(jù)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(gè)數(shù)據(jù)集合并成 （2500，2）大小的數(shù)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(shù)據(jù)中心點(diǎn)

plot(t[:,0],t[:,1],'r*',markersize=16) # 顯示這5個(gè)中心點(diǎn)，五角星標(biāo)記~

title('KMeans Clustering')
box(False)

xticks([])  # 去掉坐標(biāo)軸的標(biāo)記
yticks([])

show()

結(jié)果如下：

2017/01/11更新

今天重新試運(yùn)行程序的出現(xiàn)報(bào)錯(cuò)了，提示導(dǎo)入NUMPY_MKL失敗，因?yàn)橹坝妹頿ip install -U numpy手動(dòng)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(gè)叫plotly 的package，可以通過(guò)pip install plotly 或 pip3 install plotly(Python3.X) ，使用這個(gè)package可以繪制精美的圖像，官網(wǎng)中有很多例子介紹，同時(shí)plotly 還支持matlab，R等，但是個(gè)人覺(jué)得plotly 的繪圖語(yǔ)法相比matplotlib 的繁瑣，需要照著例程來(lái)修改才比較方便，不過(guò)如果只是要想數(shù)據(jù)可視化更好看的話參考官網(wǎng)例程并做修改也無(wú)妨，下面是來(lái)自官網(wǎng)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(diǎn)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(chuàng)建圖形對(duì)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(gè)字典，字典關(guān)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(shù)據(jù)部分和布局部分
fig = {
 'data': data,
 'layout': layout,
}
#使用離線的方式繪制圖像，因?yàn)闆](méi)有注冊(cè)官方的網(wǎng)站，而且那個(gè)網(wǎng)站不容易進(jìn)去，所以用離線繪制
plotly.offline.plot(fig, filename='clusters')

結(jié)果是通過(guò)瀏覽器打開(kāi)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(nèi)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(nèi)容對(duì)大家有所幫助，如果還想學(xué)習(xí)更多知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道！