目的是為了檢測出采集數據中的異常值。所以很明確，這種情況下的簇為2：正常數據和異常數據兩大類
1、安裝相應的庫
import matplotlib.pyplot as plt # 用于可視化
from sklearn.cluster import KMeans # 用于聚類
import pandas as pd # 用于讀取文件
2、實現聚類
2.1 讀取數據并可視化
# 讀取本地數據文件
df = pd.read_excel("../data/output3.xls", header=0)
本次實驗選擇溫度和CO2作為二維數據,其中溫度含有異常數據。
plt.scatter(df["光照"], df["CO2"], linewidths=1, alpha=0.8)
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用來正常顯示中文標簽v
plt.xlabel("光照")
plt.ylabel("CO2")
plt.grid(color="#95a5a6", linestyle="--", linewidth=1, alpha=0.4)
plt.show()
2.2 K-means聚類
設置規定要聚的類別個數為2
data = df[["光照","CO2"]] # 從原始數據中選擇該兩項
estimator = KMeans(n_clusters=2) # 構造聚類器
estimator.fit(data) # 將數據帶入聚類模型
獲取聚類中心的值和聚類標簽
label_pred = estimator.labels_ # 獲取聚類標簽
centers_ = estimator.cluster_centers_ # 獲取聚類中心
將聚類后的 label0 和 label1 的數據進行輸出
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()
附上全部代碼
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'] # 用來正常顯示中文標簽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) # 構造聚類器
estimator.fit(data) # 聚類
label_pred = estimator.labels_ # 獲取聚類標簽
centers_ = estimator.cluster_centers_ # 獲取聚類結果
# print("聚類標簽",label_pred)
# print("聚類結果",centers_)
# predict = estimator.predict([[787.75862069, 1505]]) # 測試新數據聚類結果
# 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()
到此這篇關于python利用K-Means算法實現對數據的聚類的文章就介紹到這了,更多相關python K-Means算法數據的聚類內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- Python退火算法在高次方程的應用
- Python實現K-means聚類算法并可視化生成動圖步驟詳解
- 開源一個c# 新的雪花算法
- 谷歌師兄的算法刷題筆記
- Python實現粒子群算法的示例
- 如何使用Java模擬退火算法優化Hash函數
