python之利用K-Means算法对数据的聚类的实现方法
内容摘要
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。
文章正文
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：
1 2 3 4 | <code>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</code> |
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：
1 2 3 | <code># 读取本地数据文件df = pd.read_excel("../data/output3.xls", header=0)</code> |
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：
1 2 3 4 5 6 7 | <code>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vplt.xlabel("光照")plt.ylabel("CO2")plt.grid(color="#95a5a6", linestyle="--", linewidth=1, alpha=0.4)plt.show()</code> |
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：
1 2 3 4 | <code>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</code> |
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：
1 2 3 | <code>label_pred = estimator.labels_ # 获取聚类标签centers_ = estimator.cluster_centers_ # 获取聚类中心</code> |
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：
1 2 3 4 5 6 7 8 9 | <code>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()</code> |
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：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 | <code>import matplotlib.pyplot as pltfrom sklearn.cluster import KMeansimport pandas as pddf = 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vplt.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()</code> |
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
代码注释
作者：喵哥笔记
