python kmeans聚类用于分析什么_使用scipy-kmeans进行聚类分析

我想了解^{}。在

由于在二维空间中分布了许多点，问题是将它们分组成簇。这个问题在阅读this question时引起了我的注意，我认为scipy.cluster.vq.kmeans将是一个好办法。在

以下是数据：

使用下面的代码，目标是获得25个簇中每个簇的中心点。在import numpy as np

import matplotlib.pyplot as plt

from scipy.cluster.vq import vq, kmeans, whiten

pos = np.arange(0,20,4)

scale = 0.4

size = 50

x = np.array([np.random.normal(i,scale,size*len(pos)) for i in pos]).flatten()

y = np.array([np.array([np.random.normal(i,scale,size) for i in pos]) for j in pos]).flatten()

plt.scatter(x,y, s=16, alpha=0.4)

#perform clustering with scipy.cluster.vq.kmeans

features = np.c_[x,y]

# take raw data to cluster

clusters = kmeans(features,25)

p = clusters[0]

plt.scatter(p[:,0],p[:,1], s=81, c="crimson")

# perform whitening (normalization to std) first

whitened = whiten(features)

clustersw = kmeans(whitened,25)

q = clustersw[0]*features.std(axis=0)

plt.scatter(q[:,0],q[:,1], s=25, c="gold")

plt.show()

结果如下：

红点表示没有增白的簇中心的位置，黄点表示使用增白的点。虽然它们是不同的，但主要的问题是它们显然不是都在正确的位置上。因为集群都是很好地分离的，我很难理解为什么这个简单的集群会失败。在

我读过this question，它报道了kmeans没有给出准确的结果，但答案并不是真正的statisfactory。将kmeans2与minit='points'一起使用的建议解决方案也不起作用；即kmeans2(features,25, minit='points')给出了与上述类似的结果。在

所以问题是，有没有一种方法可以用scipy.cluster.vq.kmeans来执行这个简单的聚类问题？如果是这样的话，我如何确保得到正确的结果呢。在