python之利用K-Means算法对数据的聚类的实现方法

这篇文章主要为大家详细介绍了python之利用K-Means算法对数据的聚类的实现方法，具有一定的参考价值，可以用来参考一下。

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

代码如下：

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

python利用K-Means算法实现对数据的聚类案例分析

2、实现聚类

2.1 读取数据并可视化

代码如下：

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

python利用K-Means算法实现对数据的聚类案例分析

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。

代码如下：

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()

python利用K-Means算法实现对数据的聚类案例分析

2.2 K-means聚类

设置规定要聚的类别个数为2

代码如下：

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

python利用K-Means算法实现对数据的聚类案例分析

获取聚类中心的值和聚类标签

代码如下：

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

python利用K-Means算法实现对数据的聚类案例分析

将聚类后的 label0 和 label1 的数据进行输出

代码如下：

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()

python利用K-Means算法实现对数据的聚类案例分析

附上全部代码

代码如下：

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()

python利用K-Means算法实现对数据的聚类案例分析

到此这篇关于python利用K-Means算法实现对数据的聚类的文章就介绍到这了,更多相关python K-Means算法数据的聚类内容请搜索php教程以前的文章或继续浏览下面的相关文章希望大家以后多多支持php教程！

注：关于python之利用K-Means算法对数据的聚类的实现方法的内容就先介绍到这里，更多相关文章的可以留意