语法
1.聚类
from sklearn.cluster import KMeans
km = Kmeans(n_clusters=3, # 聚类簇数，默认8
random_state=1, # 决定质心初始化的随机数生成，使用int使随机性具有确定性。
n_jobs=2, # 用于计算的 OpenMP 线程数。
max_iter=300, # 执行一次k-means算法所进行的最大迭代数，默认300
).fit(X) # X是要聚类的数据集
2.提取信息
km.cluster_centers_ # 各聚类中心的坐标
km.labels_ # 每个点的标签
km.inertia_ # 所有样本到其最近聚类中心的平方距离总和，可表示聚类效果好坏
km.n_iter_ # 运行的迭代次数
example one
import numpy as np # 创建numpy数组库
from sklearn.cluster import KMeans # 聚类库
import matplotlib.pyplot as plt # 绘图库
X = np.array([[1, 2], [2, 2.5], [1, 2.2],
[20, 3], [20, 2.8], [22, 3.5],
[10, 2], [8, 2], [10, 1.6]])
km = KMeans(n_clusters=3).fit(X) # 对X聚3类
labelPred = km.labels_ # 取标签
plt.scatter(X[:, 0], X[:, 1], c=labelPred)
plt.show()
