Python kmeans聚类的使用_石家庄创泽智能科技有限公司

新闻中心 NEWS CENTER

您当前位置：首页 > 新闻中心 > 网络学院

Python kmeans聚类的使用

2025-10-28

浏览次数：次

返回列表

KMeans聚类通过最小化点到簇中心距离平方和将数据划分为K组。使用scikit-learn需安装依赖库，准备数据后选择K值（可用肘部法则），训练模型并可视化结果，注意数据标准化及KMeans对初始值和异常值的敏感性。

python kmeans聚类的使用

在Python中使用KMeans聚类是数据挖掘和机器学习中常见的无监督学习方法，主要用于将数据划分为K个簇。它通过最小化每个点到其所属簇中心的距离平方和来实现聚类。下面介绍如何使用scikit-learn库中的KMeans进行聚类分析。

1. 安装依赖库

确保已安装必要的库：

pip install scikit-learn numpy matplotlib

2. 基本使用步骤

KMeans聚类的基本流程包括：准备数据、选择簇数K、训练模型、查看结果和可视化。

from sklearn.cluster import KMeans
import numpy as np
import matplotlib.pyplot as plt

示例数据：

# 生成示例数据
X = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6],
[9, 11], [8, 7], [10, 9], [0.5, 1]])

设置K值并训练模型：

kmeans = KMeans(n_clusters=2, random_state=42)
kmeans.fit(X)
labels = kmeans.labels_ # 每个样本的类别标签
centers = kmeans.cluster_centers_ # 聚类中心

上面代码将数据分为2类，labels表示每个点属于哪个簇（0或1），centers是两个簇的中心坐标。

良精商城网店购物系统

良精商城网店购物系统是一套能够适合不同类型商品、超强灵活的多功能在线商店系统，三级分销 PC+移动端+微网站，为您提供了一个完整的在线开店解决方案。良精网店购物系统除了拥有一般网上商店系统所具有的所有功能，还拥有着其它网店系统没有的许多超强功能。多种独创的技术使得系统能满足各行业广大用户的各种各样的需求，是一个经过完善设计并适用于各种服务器环境的高效、全新、快速和优秀的网上购物软件解决方案。

0 查看详情良精商城网店购物系统

3. 可视化聚类结果

对于二维数据，可以用matplotlib画出聚类效果：

plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis', label='Data Points')
plt.scatter(centers[:, 0], centers[:, 1], c='red', marker='x', s=200, label='Centroids')
plt.legend()
plt.title("KMeans Clustering")
plt.show()

不同颜色代表不同簇，红色叉号表示聚类中心。

4. 如何选择合适的K值

常用的方法是肘部法则（Elbow Method），通过观察不同K值对应的惯性（inertia，即样本到其簇中心距离的平方和）变化来判断最佳K。

inertias = []
K_range = range(1, 6)
for k in K_range:
km = KMeans(n_clusters=k, randomstate=42)
km.fit(X)
inertias.append(km.inertia)

plt.plot(K_range, inertias, 'bo-', label='Inertia')
plt.xlabel('Number of Clusters (k)')
plt.ylabel('Inertia')
plt.title('Elbow Method')
plt.show()

当曲线出现明显“拐点”时，该K值通常较合适。