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

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(xiàn)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vplt.xlabel('光照')plt.ylabel('CO2')plt.grid(color='#95a5a6', linestyle='--', linewidth=1, alpha=0.4)plt.show()

設置規(guī)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 pltfrom sklearn.cluster import KMeansimport pandas as pddf = 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vplt.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(xiàn)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好吧啦網以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持好吧啦網！