高斯聚类，利用tsne可视化

前提你以前将要处理的数据整理好了。（指的是数据清洗，异常值检测以及处理，数据重采样等）
我这里的X是1288*7的numpy.ndarray类型。
第一步，数据归一化，用的是MinMaxScaler。

from sklearn.preprocessing import MinMaxScaler
X0=df.values#dataframe的value是numpy.ndarray类型
scaler = MinMaxScaler(feature_range=(0,1))#这里的feature_range填的是想变换后区间
X = scaler.fit_transform(X0)

第二步，建立高斯聚类模型并训练

from sklearn.mixture import GaussianMixture
model = GaussianMixture(n_components = 2)
model.fit(X)
yhat = model.predict(X)

yhat就是训练之后的一位数组，每一个数据是之前每一行数据对应的类别0,1，2···n（n是你聚类的个数）

第三步，利用tsne可视化

from sklearn import manifold
import numpy as np
from numpy import unique
from numpy import where
clusters = unique(yhat)
ax1=plt.figure().add_subplot(211,projection='3d')
ax2=plt.figure().add_subplot(211)
method1 = manifold.TSNE(n_components=3, init='pca',
                                 random_state=0)
method2 = manifold.TSNE(n_components=2, init='pca',
                                 random_state=0)
Y1 = method1.fit_transform(X)
Y2 = method2.fit_transform(X)
for cluster in clusters:
    row_ix = where(yhat == cluster)
    ax1.scatter(Y1[row_ix, 0],Y1[row_ix, 1],Y1[row_ix,2])
    ax2.scatter(Y2[row_ix, 0],Y2[row_ix, 1])
plt.show()

这是最后的效果图，为了比较效果画了三维和二维图。