——以二維陣列、鳶尾花和中國城市經緯度為例項我看了文章之後，對原理了解個大概，但是還是不知道怎麼運用。然後師兄給我推薦了乙個例項，鳶尾花資料的聚類。我看的是這個文章
看了之後大概知道kmeans聚類演算法的框架吧。
from sklearn.cluster import kmeans
import matplotlib.pyplot as plt
import numpy as np
x = [[0.0888, 0.5885],
[0.1399, 0.8291],
[0.0747, 0.4974],
[0.0983, 0.5772],
[0.1276, 0.5703],
[0.1671, 0.5835],
[0.1906, 0.5276],
[0.1061, 0.5523],
[0.2446, 0.4007],
[0.1670, 0.4770],
[0.2485, 0.4313],
[0.1227, 0.4909],
[0.1240, 0.5668],
[0.1461, 0.5113],
[0.2315, 0.3788],
[0.0494, 0.5590],
[0.1107, 0.4799],
[0.2521, 0.5735],
[0.1007, 0.6318],
[0.1067, 0.4326],
[0.1956, 0.4280]
]print(x)
這兩張是windows系統的，看上去都沒有空行，我一直找不出錯誤。
這兩張是linux系統下的，可以發現第二張的文件行與行之間是有空行的。
這個教訓提醒我，以後要像師兄一樣，用.mat檔案，用python去呼叫，不用偷懶用.txt
呼叫文件的**如下，自己需要改的是檔案儲存位址和呼叫的資料範圍。
x =
f = open('citiess.txt')
for v in f:
x = np.array(x)
print(x)
city = kmeans(n_clusters=5)
y_pred = city.fit_predict(x)
city = kmeans(n_clusters=5)
city.fit(x)
y_pred = city.fit_predict(x)
markers = [』*』, 『o』, 『+』, 『s』, 『v』]
n_clusters=5
for i in range(n_clusters):
members = city.labels_ == i
plt.scatter(x[members,0],x[members,1],s = 60,marker = markers[i],c = 『r』,alpha=0.5)
plt.title(『china』)
plt.show()
print(x)
我自己去網上找的中國各個城市經緯度的資料，和原文資料不一樣。出來的效果圖如下。這個圖讓我深刻認識到對畫圖工具掌握的極為不熟練，回去學習了。哭遼t_t
改一下第四步的**，這個圖凑活看吧
我練了三個例項，二維陣列第二步中直接輸入資料，其餘**差不多。鳶尾花在第一步中直接匯入鳶尾花資料，python庫里就有。中國各城市經緯度在第二步匯入資料，**視文件微調。資料如下。
kmeans 聚類演算法還可以往聚類、文字聚類上面深入研究。陳同學要先回去練python100例了。學演算法還是很愉快的~
基於Python的K means聚類演算法
k means聚類的基本原理就不多闡述了，這裡直接講解如何實現。效果圖 紅色節點代表聚類中心，藍色節點和綠色節點代表不同的兩類 可以看到，初始時綠色節點很少且大多聚集於左下方，隨著聚類中心的移動，綠色節點區域越來越大，直到最後會穩定下來。一 建節點類 由於該聚類演算法是基於二維的，因此基本元素就是節...
K Means聚類演算法
k means聚類演算法 intergret kmeans演算法的基本思想是初始隨機給定k個簇中心，按照最鄰近原則把待分類樣本點分到各個簇。然後按平均法重新計算各個簇的質心，從而確定新的簇心。一直迭代，直到簇心的移動距離小於某個給定的值。k means聚類演算法主要分為三個步驟 1 第一步是為待聚類...
聚類演算法 K means
演算法接受引數 k 然後將事先輸入的n個資料物件劃分為 k個聚類以便使得所獲得的聚類滿足 同一聚類中的物件相似度較高 而不同聚類中的物件相似度較小。聚類相似度是利用各聚類中物件的均值所獲得乙個 中心物件 引力中心 來進行計算的。k means演算法是最為經典的基於劃分的聚類方法，是十大經典資料探勘演...