python K-Means算法聚类 python利用K-Means算法实现对数据的聚类案例详解

时间:2021-04-27 谁偷了我的酒窝人气:0

想了解python利用K-Means算法实现对数据的聚类案例详解的相关内容吗，谁偷了我的酒窝在本文为您仔细讲解python K-Means算法聚类的相关知识和一些Code实例，欢迎阅读和指正，我们先划重点：python,K-Means算法聚类,python,K-Means算法，下面大家一起来学习吧。

目的是为了检测出采集数据中的异常值。所以很明确，这种情况下的簇为2：正常数据和异常数据两大类

1、安装相应的库

import matplotlib.pyplot as plt  # 用于可视化
from sklearn.cluster import KMeans  # 用于聚类
import pandas as pd # 用于读取文件

2、实现聚类

2.1 读取数据并可视化

# 读取本地数据文件
df = pd.read_excel("../data/output3.xls", header=0)

在这里插入图片描述

本次实验选择温度和CO2作为二维数据,其中温度含有异常数据。

plt.scatter(df["光照"], df["CO2"], linewidths=1, alpha=0.8)
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签v
plt.xlabel("光照")
plt.ylabel("CO2")
plt.grid(color="#95a5a6", linestyle="--", linewidth=1, alpha=0.4)
plt.show()

在这里插入图片描述

2.2 K-means聚类

设置规定要聚的类别个数为2

data = df[["光照","CO2"]] # 从原始数据中选择该两项
estimator = KMeans(n_clusters=2)  # 构造聚类器
estimator.fit(data)  # 将数据带入聚类模型

获取聚类中心的值和聚类标签

label_pred = estimator.labels_  # 获取聚类标签
centers_ = estimator.cluster_centers_ # 获取聚类中心

将聚类后的 label0 和 label1 的数据进行输出

x0 = data[label_pred == 0]
x1 = data[label_pred == 1]

plt.scatter(x0["光照"], x0["CO2"],c="red", linewidths=1, alpha=0.8,marker='o', label='label0')
plt.scatter(x1["光照"], x1["CO2"],c="green", linewidths=1, alpha=0.8,marker='+', label='label1')
plt.grid(c="#95a5a6", linestyle="--", linewidth=1, alpha=0.4)
plt.legend()
plt.show()

在这里插入图片描述

附上全部代码

import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
import pandas as pd


df = pd.read_excel("../data/output3.xls", header=0)
plt.scatter(df["光照"], df["CO2"], linewidths=1, alpha=0.8)
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签v
plt.xlabel("光照")
plt.ylabel("CO2")
plt.grid(color="#95a5a6", linestyle="--", linewidth=1, alpha=0.4)
plt.show()

data = df[["光照","CO2"]]
estimator = KMeans(n_clusters=2)  # 构造聚类器
estimator.fit(data)  # 聚类
label_pred = estimator.labels_  # 获取聚类标签
centers_ = estimator.cluster_centers_  # 获取聚类结果
# print("聚类标签",label_pred)
# print("聚类结果",centers_)
# predict = estimator.predict([[787.75862069, 1505]]) # 测试新数据聚类结果
# print(predict)
x0 = data[label_pred == 0]
x1 = data[label_pred == 1]

plt.scatter(x0["光照"], x0["CO2"],c="red", linewidths=1, alpha=0.8,marker='o', label='label0')
plt.scatter(x1["光照"], x1["CO2"],c="green", linewidths=1, alpha=0.8,marker='+', label='label1')
plt.grid(c="#95a5a6", linestyle="--", linewidth=1, alpha=0.4)
plt.legend()
plt.show()

加载全部内容