python函一维聚类_聚类实战：一维数组数据聚类

大部分聚类方法针对的是多维数据，现实场景中还有可能存在以为数据的情况，针对以为数组的聚类和多维的数据有很大的不同，今天就来实战演练下：

需求内容：分析订单的价格分布

常见方案：按照100为梯度，分析不同价格区间的订单量

存在缺陷：现实生活中，定价存在一些自然的价格分隔，如果按照步距划分可能存在一些偏差，比如airbnb的价格筛选显示出的房价分布：

解决上述缺陷最好的方式是对价格进行聚类，找出做合适的价格区间。

在学习聚类算法的过程中，学习到的聚类算法大部分都是针对n维的，针对一维数据的聚类方式较少，今天就来学习下如何给一维的数据进行聚类。

方案一：采用K-Means对一维数据聚类

Python代码如下：

from sklearn.cluster import KMeans

import numpy as np

x = np.random.random(10000)

y = x.reshape(-1,1)

km = KMeans()

km.fit(y)

km.cluster_centers_

核心的操作是y = x.reshape(-1,1)，含义为将一维数据变成只有1列，行数不知道多少(-1代表根据剩下的维度计算出数组的另外一个shape属性值)。

方案二：采用一维聚类方法Jenks Natural Breaks

Jenks Natural Breaks(自然断点分类)。一般来说