sklearn的make_blobs绘制聚类数据样本，Python

最新推荐文章于 2024-07-13 12:59:21 发布

zhangphil

最新推荐文章于 2024-07-13 12:59:21 发布

阅读量1.2k

点赞数

分类专栏： Python 文章标签： Python

本文链接：https://blog.csdn.net/zhangphil/article/details/103036288

版权

Python 专栏收录该内容

264 篇文章 30 订阅

订阅专栏

sklearn的make_blobs绘制聚类数据样本，Python

例如：

from sklearn.datasets import make_blobs
from matplotlib import pyplot


def printer(data, label):
    size = len(data)
    d = [data[i] for i in range(size)]
    l = [label[i] for i in range(size)]
    for i in range(size):
        print("数据点=%s , 分类标签=%s" % (d[i], l[i]))


# n_samples:样本点数量
# n_features:样本点的维度，默认值2
# 返回类型：  X : 样本数组 [n_samples, n_features]
#           y : array of shape [n_samples]，每个样本组分类标签0,1,2,3，，，，
data, label = make_blobs(n_samples=80, n_features=2, centers=3)

# 可以顺便打印出来这些数据样本点，观察一下
printer(data, label)

# 绘制样本
# 参数c表示色彩或者颜色序列
pyplot.scatter(data[:, 0], data[:, 1], c=label)
pyplot.show()

绘制的图为：

输出80个的随机样本数据：

数据点=[-1.15912865 -7.88925606] , 分类标签=2
数据点=[-3.27050013 -6.44800159] , 分类标签=2
数据点=[ 9.63522498 -4.61163179] , 分类标签=1
数据点=[-9.2339262   1.90494813] , 分类标签=0
数据点=[-8.69709527  1.32990694] , 分类标签=0
数据点=[-10.17776238   2.07226332] , 分类标签=0
数据点=[-10.69959994   1.23246307] , 分类标签=0
数据点=[-0.82554025 -6.63374382] , 分类标签=2
数据点=[ 8.19535588 -3.55258119] , 分类标签=1
数据点=[ 8.53142121 -3.58732005] , 分类标签=1
数据点=[-9.24948714  2.24102312] , 分类标签=0
数据点=[ 9.96411216 -3.87982339] , 分类标签=1
数据点=[-2.80112483 -6.37784709] , 分类标签=2
数据点=[-4.18423705 -7.72686667] , 分类标签=2
数据点=[ 9.30939319 -4.52444831] , 分类标签=1
数据点=[-8.21973686  1.66614238] , 分类标签=0
数据点=[-9.55418948  0.440467  ] , 分类标签=0
数据点=[-4.93531002 -8.1748404 ] , 分类标签=2
数据点=[-1.64977768 -7.94729233] , 分类标签=2
数据点=[-10.49810886   1.46611392] , 分类标签=0
数据点=[ 9.01178958 -4.75702916] , 分类标签=1
数据点=[-8.71963659  0.54075722] , 分类标签=0
数据点=[10.74278633 -3.53781052] , 分类标签=1
数据点=[ 9.49647842 -3.33333696] , 分类标签=1
数据点=[-2.99109826 -7.08934415] , 分类标签=2
数据点=[ 9.68673904 -3.34569632] , 分类标签=1
数据点=[-4.09280849 -5.92476753] , 分类标签=2
数据点=[10.20222954 -6.06578692] , 分类标签=1
数据点=[-1.32283053 -9.10370703] , 分类标签=2
数据点=[-9.16911259  1.63489352] , 分类标签=0
数据点=[10.57924961 -2.54942111] , 分类标签=1
数据点=[ 8.21316022 -3.77554247] , 分类标签=1
数据点=[-0.64370435 -6.07566518] , 分类标签=2
数据点=[-9.73360748  2.06687837] , 分类标签=0
数据点=[-9.28545036  0.921734  ] , 分类标签=0
数据点=[-1.99652019 -8.10593766] , 分类标签=2
数据点=[-2.72387578 -6.98519218] , 分类标签=2
数据点=[-10.79071501   1.12353995] , 分类标签=0
数据点=[-9.77324238  2.49452551] , 分类标签=0
数据点=[-1.63340144 -7.86045789] , 分类标签=2
数据点=[-9.30183322 -0.18999729] , 分类标签=0
数据点=[-3.32634336 -8.18833413] , 分类标签=2
数据点=[ 8.68817864 -6.05288205] , 分类标签=1
数据点=[-0.25871775 -7.33724335] , 分类标签=2
数据点=[ 8.95080922 -5.20372128] , 分类标签=1
数据点=[-2.03124787 -6.24942703] , 分类标签=2
数据点=[-9.88069856  0.45853714] , 分类标签=0
数据点=[-9.10698837  2.48571678] , 分类标签=0
数据点=[-4.41379546 -8.3581638 ] , 分类标签=2
数据点=[-10.23786541  -0.2360524 ] , 分类标签=0
数据点=[-8.14853073  1.02340137] , 分类标签=0
数据点=[-9.53933355  2.05236934] , 分类标签=0
数据点=[-2.16374844 -7.3004679 ] , 分类标签=2
数据点=[10.68839072 -4.88696759] , 分类标签=1
数据点=[10.99265938 -3.64106563] , 分类标签=1
数据点=[10.09924149 -3.82836121] , 分类标签=1
数据点=[ -2.79999803 -10.61644399] , 分类标签=2
数据点=[-2.75945943 -5.84867455] , 分类标签=2
数据点=[-9.26134069  2.9751805 ] , 分类标签=0
数据点=[-10.75302809   0.68021616] , 分类标签=0
数据点=[-8.37213036  2.51081984] , 分类标签=0
数据点=[-8.82037906  3.67142913] , 分类标签=0
数据点=[-2.16267913 -8.35150091] , 分类标签=2
数据点=[-2.44331588 -7.43885909] , 分类标签=2
数据点=[ 9.88207035 -5.23804495] , 分类标签=1
数据点=[10.25834975 -4.72637962] , 分类标签=1
数据点=[ 9.05952854 -4.50717404] , 分类标签=1
数据点=[10.30900087 -4.29359765] , 分类标签=1
数据点=[-10.5357946    0.49482436] , 分类标签=0
数据点=[10.34594103 -5.42871621] , 分类标签=1
数据点=[10.02254789 -5.18555569] , 分类标签=1
数据点=[10.59432685 -2.0506285 ] , 分类标签=1
数据点=[-0.71864001 -6.48077637] , 分类标签=2
数据点=[ 8.62203655 -4.1969386 ] , 分类标签=1
数据点=[-1.83818951 -7.72659366] , 分类标签=2
数据点=[10.80936589 -4.64289151] , 分类标签=1
数据点=[-9.76068053  3.5021967 ] , 分类标签=0
数据点=[-1.10225586 -9.04736137] , 分类标签=2
数据点=[ 8.02618173 -4.6372008 ] , 分类标签=1
数据点=[-7.92250007  1.80907768] , 分类标签=0