顾客数据分群——KMeans聚类分析

最新推荐文章于 2025-05-18 17:13:26 发布

AIGC人工智残

最新推荐文章于 2025-05-18 17:13:26 发布

阅读量311

点赞数

CC 4.0 BY-SA版权

文章标签： kmeans python 算法

本文链接：https://blog.youkuaiyun.com/gjinc/article/details/131292330

该文介绍了使用Python的Sklearn库进行KMeans聚类分析的过程。首先导入相关模块，读取数据并查看基本信息。接着，对数据进行预处理，尽管KMeans对异常值不敏感，但依然进行了标准化。然后，应用KMeans模型，设置初始均值策略，并可视化聚类结果。最后，通过肘方法和轮廓系数评估模型，确定最佳聚类数目为5。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

导入模块

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans

查看数据基本信息

该案例的数据集下载地址：

customers_df = pd.read_csv('customers.csv', sep=',', encoding='utf-8')
customers_df.head()

在这里插入图片描述
一般由于数据中存在异常值，不同数据之前也存在量纲，所以会对数据集进行标准化处理，KMeans模型不会被异常数据影响，本案例中数据提前处理过，所以可以直接使用。

KMeans模型应用

X = customers_df.iloc[:, [3,4]].values
k_means = KMeans(n_clusters = 5, init = 'k-means++', random_state = 42)
y_means = k_means.fit_predict(X)

在

最低0.47元/天解锁文章

200万优质内容无限畅学