python kmeans

from sklearn.cluster import KMeans
import numpy as np

# 生成一些示例数据
X = np.array([[1, 2], [1, 4], [1, 0],
              [10, 2], [10, 4], [10, 0]])

# 创建KMeans模型，指定聚类数量为2
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)

# 输出聚类中心
print("聚类中心:", kmeans.cluster_centers_)

# 预测新数据点的所属类别
new_data = np.array([[0, 0], [12, 3]])
predictions = kmeans.predict(new_data)
print("新数据点预测类别:", predictions)

# 输出每个样本的聚类标签
print("样本聚类标签:", kmeans.labels_)

解释说明：

1. 导入库：我们首先从 sklearn.cluster 中导入 KMeans 类，并导入 numpy 用于处理数组。
2. 生成示例数据：创建一个二维数组 X，表示要进行聚类的数据点。
3. 创建KMeans模型：使用 KMeans 类创建一个聚类模型，并指定聚类的数量为2。random_state=0 确保每次运行结果一致。
4. 拟合模型：调用 fit(X) 方法对数据进行聚类。
5. 输出聚类中心：通过 cluster_centers_ 属性获取每个聚类的中心点。
6. 预测新数据点：使用 predict 方法对新的数据点进行分类预测。
7. 输出样本聚类标签：通过 labels_ 属性获取每个样本所属的聚类标签。

希望这段代码和解释对你有帮助！