Python小白进阶二：如何通过sklearn库实现Kmeans算法

最新推荐文章于 2025-07-06 15:29:28 发布

wind_wind123

最新推荐文章于 2025-07-06 15:29:28 发布

阅读量3.7k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： python学习文章标签： python kmeans

本文链接：https://blog.youkuaiyun.com/i_is_a_energy_man/article/details/75453798

python学习专栏收录该内容

9 篇文章

订阅专栏

本文介绍了一种无监督学习算法KMeans，并展示了如何使用Python的sklearn库进行城市数据聚类分析。具体步骤包括初始化聚类中心、分配数据点到最近的簇、更新聚类中心并迭代直至收敛。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在机器学习的任务中有一个非常重要的任务就是对样本进行聚类，聚类的方法有很多，本文讲述的是通过使用sklearn库在python中实现kmeans算法。

kmeans是一种无监督的算法，它的步骤如下：

1.随机选择k个点作为初始的聚类中心；

2.对于剩下的点，根据其与聚类中心的距离，将其归入最近的簇
3.对每个簇，计算所有点的均值作为新的聚类中心

4.重复2、3直到聚类中心不再发生改变

接下来会说一下如何通过代码实现这个问题：

import numpy as np
from sklearn.cluster import KMeans   #导入sklearn相关包

加载数据，创建K-means算法实例，并进行训练，获得聚类后的标签

if __name__ == '__main__':
    data,cityName = loadData('city.txt')  #下载样本
    km = KMeans(n_clusters=4)    #聚类中心为4
    label = km.fit_predict(data)  #得到聚类后的标签
    expenses = np.sum(km.cluster_centers_,axis=1)  #按行求和

输出标签，查看结果

CityCluster = [[],[],[],[]]
    for i in range(len(cityName)):
        CityCluster[label[i]].append(cityName[i])
    for i in range(len(CityCluster)):
        print("Expenses:%.2f" % expenses[i])
        print(CityCluster[i])