在Python中，您可以使用`scikit-learn`库来完成聚类任务。以下是使用K-means算法和层次聚类算法进行聚类的示例代码：
K-means聚类
from sklearn.cluster import KMeansimport numpy as np生成随机数据集X = np.random.rand（100, 2）创建KMeans对象，指定簇数K=3kmeans = KMeans（n_clusters=3）训练模型，并进行聚类kmeans.fit（X）获取聚类结果labels = kmeans.labels_centers = kmeans.cluster_centers_print（"簇标签：", labels）print（"簇中心：", centers）
层次聚类
from scipy.cluster.hierarchy import linkage, dendrogramimport numpy as npimport matplotlib.pyplot as plt生成随机数据集X = np.array（[[1, 2], [2, 2], [2, 3], [4, 5], [5, 6], [7, 8]]）创建linkage对象，指定距离度量方式为欧几里得距离，并指定簇数K=3Z = linkage（X, method='ward'）绘制树形图（谱系图）来可视化聚类结果plt.figure（figsize=（10, 6））dendrogram（Z）plt.title（'Hierarchical Clustering Dendrogram'）plt.xlabel（'Sample Index'）plt.ylabel（'Distance'）plt.show（）
在上述代码中，`KMeans`类用于执行K-means算法，而`linkage`函数用于执行层次聚类算法。您可以根据需要调整参数，例如`n_clusters`来指定要分成的簇数，以及`method`参数来选择不同的距离度量方式。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
如需转载请保留出处：https://sigusoft.com/bj/146142.html