当然，以下是一个使用 sklearn 库中的 KMeans 类来实现 K-Means 算法的简单 Python 代码示例。如果你想从头开始实现 K-Means 算法，那将需要更多的代码，但以下是一个使用 sklearn 的示例：
python代码
from sklearn.cluster import KMeans |
|
import numpy as np |
|
import matplotlib.pyplot as plt |
|
# 假设我们有一些二维数据 |
|
data = np.array([[1, 2], [1, 4], [1, 0], |
|
[10, 2], [10, 4], [10, 0]]) |
|
# 设定要聚类的数量（例如，2） |
|
num_clusters = 2 |
|
# 使用 sklearn 的 KMeans 类 |
|
kmeans = KMeans(n_clusters=num_clusters, random_state=0) |
|
# 训练模型 |
|
kmeans.fit(data) |
|
# 预测数据所属的类别 |
|
labels = kmeans.predict(data) |
|
# 打印聚类中心和预测的标签 |
|
print("Cluster centers:") |
|
print(kmeans.cluster_centers_) |
|
print("Labels:") |
|
print(labels) |
|
# 可视化结果（仅当数据是二维的） |
|
plt.scatter(data[:, 0], data[:, 1], c=labels, s=50, cmap='viridis') |
|
# 绘制聚类中心 |
|
centers = kmeans.cluster_centers_ |
|
plt.scatter(centers[:, 0], centers[:, 1], c='black', s=200, alpha=0.5); |
|
plt.show() |
这段代码首先导入了必要的库，然后创建了一些二维数据。接着，它创建了一个 KMeans 对象，指定了要聚类的数量（在这里是 2），并使用数据训练了这个模型。然后，它预测了数据点所属的类别，并打印了聚类中心和预测的标签。最后，它使用 matplotlib 可视化了结果。
如果你需要从头开始实现 K-Means 算法（不使用任何库），那么你需要编写一个循环，该循环会迭代更新聚类中心和分配数据点到最近的聚类中心，直到满足某个停止条件（例如，聚类中心的变化小于某个阈值）。
