代码收藏家技术教程 2025-06-14

Python实现鸢尾花聚类分析详解：K-means聚类算法应用

使用vscode软件编写

涉及的包以及算法

pandas：用于数据处理和分析。鸢尾花聚类分析

numpy：用于数值计算。

matplotlib.pyplot：用于绘图。

sklearn.cluster.KMeans：用于执行K-means聚类。

sklearn.metrics：用于评估聚类性能。

seaborn：用于更美观的绘图。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn import metrics
import seaborn as sns

数据加载与处理

将已经下载好的数据导入（可以去Iris – UCI Machine Learning Repository官网下载）

包含四个特征：萼片长度（Sepal Length）、萼片宽度（Sepal Width）、花瓣长度Petal Length）和花瓣宽度（Petal Width），以及一个目标变量“Species”（种类）

从数据集中删除最后列，因为K-means聚类是无监督学习算法，不需要目标变量。X现在只包含四个特征列。

data = pd.read_table("D:\AIExercise\iris.data") 
# print(data)
# 将下载的data数据转换为csv数据
data.to_csv("D:\AIExercise\iris.csv",sep='|',index=False)
print(data)


# 直接读取csv文件
iris = pd.read_csv("D:\\AIExercise\\iris.csv", header=None)
# 为数据添加列名
iris.columns = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'species']
# 查看数据的前几行，确保数据加载正确
print(iris.head(15))
# 提取特征数据（不包括最后一列的物种名称）
X = iris.iloc[:, :-1].values

聚类结果并获取聚类中心

为了选择合适的聚类数（即 n_clusters 的值），可以使用肘部法则（Elbow Method）。肘部法则通过观察随着聚类数增加，聚类的总平方误差（Within-Cluster Sum of Squares, WCSS）的变化趋势来确定最佳聚类数。当增加聚类数时，WCSS 会逐渐减小，但当达到某个点后，WCSS 的下降速度会显著减缓，这个点通常被认为是最佳聚类数。

通过观察肘部图，选择一个合适的聚类数。通常在肘部位置（SSE下降速度明显变缓的位置）对应的聚类数较为合理。对于鸢尾花数据集，通常选择3个聚类数。

# 使用肘部法则确定最佳聚类数
wcss = []
for i in range(1, 11):  # 测试 1 到 10 个聚类
    kmeans = KMeans(n_clusters=i, random_state=0)
    kmeans.fit(X)
    wcss.append(kmeans.inertia_)  # inertia_ 是 WCSS 的值

# 绘制肘部图
plt.figure(figsize=(10, 6))
plt.plot(range(1, 11), wcss, marker='o')
plt.title('Elbow Method For Optimal Number of Clusters')
plt.xlabel('Number of Clusters')
plt.ylabel('WCSS')
plt.xticks(range(1, 11))
plt.show()

# 使用KMeans进行聚类分析
# 这里假设我们已经知道鸢尾花有3个类别，所以设置n_clusters=3
kmeans = KMeans(n_clusters=3, random_state=0)
kmeans.fit(X)

# 将聚类结果标签添加到原始数据中
iris['cluster'] = kmeans.labels_

# 查看聚类结果
print(iris.head(15))

可视化聚类结果（以sepal_length和sepal_width为例）

为了直观地展示聚类结果，可以通过二维散点图进行可视化。由于鸢尾花数据集有四个特征，可以选择其中两个特征（以sepal_length和sepal_width为例）进行可视化。不同颜色代表不同的聚类，黑色的 X 标记表示聚类中心。

plt.figure(figsize=(10, 6))
sns.scatterplot(x='sepal_length', y='sepal_width', hue='cluster', data=iris, palette='viridis', s=100)
plt.title('KMeans Clustering of Iris Dataset')
plt.show()

存在中文字需要设置参数

# 设置绘图参数，确保中文和负号显示正常
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

评估聚效果

可以用一些指标来评估聚类性能，例如轮廓系数（Silhouette Coefficient）和戴维斯-邦丁指数（Davies-Bouldin Index）。以及每个类别的中心点

# 计算轮廓系数
silhouette_avg = metrics.silhouette_score(X, kmeans.labels_)
print(f'Silhouette Score: {silhouette_avg:.2f}')
# 计算戴维斯-邦丁指数
dbi = metrics.davies_bouldin_score(X, kmeans.labels_)
print(f"戴维斯-邦丁指数：{dbi:.2f}")

# 输出聚类中心
cluster_centers = kmeans.cluster_centers_
print("Cluster Centers:\n", cluster_centers)

# 计算每个类别的中心点
cluster_centers = kmeans.cluster_centers_
print("Cluster Centers:\n", cluster_centers)