说明
1、在没有先验经验的情况下，聚类常用于数据探索或挖掘的早期阶段进行探索性分析。
也适用于样本量大的数据预处理。
2、常用的聚类算法分为基于划分、层次、密度、网格、统计、模型等类型的算法。典型算法包括K平均值(经典聚类算法)、DBSCAN、两步聚类等。
聚类分析可以解决的问题包括：数据集可以分为几类，每个类别有多少样本，不同类别中每个变量之间的强度关系，以及不同类别的典型特征。
K均值实例聚类算法
importnumpyasnp importmatplotlib.pyplotasplt #两点距离 defdistance(e1,e2): returnnp.sqrt(e1[0]-e2[0]**2+(e1[1]-e2[1] #集合中心 defmeans(arr): returnnp.array([np.mean([e[0]foreinarr]),np.mean([e[1]foreinarr])]) #arr中距离a最远的元素用于初始化聚类中心 deffarthest(k_arr,arr): f=[0,0] max_d=0 foreinarr: d=0 foriinrange(k_arr.__len__()): d=d+np.sqrt(distance(k_arr[i],e)) ifd>max_d: max_d=d f=e returnf #arr中距离a最近的元素，用于聚类 defclosest(a,arr): c=arr[1] min_d=distance(a,arr[1]) arr=arr[1:] foreinarr: d=distance(a,e) ifd<min_d: min_d=d c=e returnc if__name__=="__main__": ##生成二维随机坐标，注意手中有数据集的朋友，很容易理解arr更改。 ##arr是一个数组，每个元素都是一个二元组，代表坐标 ##(x1，y1)，(x2，y2)，(x3，y3)...] arr=np.random.randint(100,size=(100,1,2))[:,0,:] ##初始化聚类中心和聚类容器 m=5 r=np.random.randint(arr.__len__()-1) k_arr=np.array([arr[r]]) cla_arr=[[]] foriinrange(m-1): k=farthest(k_arr,arr) k_arr=np.concatenate([k_arr,np.array([k])]) cla_arr.append([]) ##迭代聚类 n=20 cla_temp=cla_arr foriinrange(n):#迭代n次 foreinarr:#将集合中的每个元素聚集到最近的类别中 ki=0#假设距离第一个中心最近 min_d=distance(e,k_arr[ki]) forjinrange(1,k_arr.__len__()): ifdistance(e,k_arr[j])<min_d:#找到更近的聚类中心 min_d=distance(e,k_arr[j]) ki=j cla_temp[ki].append(e) #对聚类中心进行迭代更新 forkinrange(k_arr.__len__()): ifn-1==i: break k_arr[k]=means(cla_temp[k]) cla_temp[k]=[] ##可视化展示 col=['HotPink','Aqua','Chartreuse','yellow','LightSalmon'] foriinrange(m): plt.scatter(k_arr[i][0],k_arr[i][1],linewidth=10,color=col[i]) plt.scatter([e[0]foreincla_temp[i]],[e[1]foreincla_temp[i]],color=col[i]) plt.show()
以上是python聚类算法的介绍，希望对大家有所帮助。更多Python学习指导：python基础教程
本文教程操作环境：windows7系统Python 3.9.1，DELL G3电脑。