通过聚类算法分析股票，选股的策略代码如下（二）！

GJ57017_wx

于 2024-04-25 11:30:46 发布

阅读量1k

点赞数 6

文章标签：算法聚类数据挖掘

本文链接：https://blog.csdn.net/GJ57017_wx/article/details/138184310

版权

本文展示了如何通过K-Means聚类算法对股票数据进行降维并可视化，同时结合t-SNE进行高维数据可视化，最后通过股票代码获取行业信息。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

续接上篇

通过聚类算法分析股票，选股的策略代码如下（一）！

(3032, 2)

import numpy as np
from sklearn.cluster import KMeans
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt
from sklearn.metrics import pairwise_distances_argmin_min

# 假设您的数据存储在名为DATA的NumPy数组中，其形状为(3032, 225)
# 请替换为您的实际数据


# 提取降维后的坐标
x = embedded_data[:, 0]
y = embedded_data[:, 1]

# 初始化K均值模型
num_clusters = 10
kmeans = KMeans(n_clusters=num_clusters, random_state=42)

# 用K均值对降维后的数据进行聚类
labels = kmeans.fit_predict(embedded_data)
# 提取簇中心坐标
cluster_centers = kmeans.cluster_centers_
print(cluster_centers)

center_sample_indices, _ = pairwise_distances_argmin_min(cluster_centers, embedded_data)


# 输出每个簇中心样本的ID
for i, index in enumerate(center_sample_indices):
    print(f&

最低0.47元/天解锁文章