### 如何使用Python的KMeans算法输出带分类标签的原始数据 在Python中，可以使用`sklearn.cluster.KMeans`类实现KMeans聚类，并通过其`labels_`属性获取每个数据点的分类标签。将这些标签与原始数据结合，即可得到带有分类标签的原始数据[^1]。 以下是完整的代码示例： ```python from sklearn.cluster import KMeans import pandas as pd # 假设X为原始数据集（numpy数组或pandas DataFrame） X = [[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]] # 创建KMeans模型并进行聚类 kmeans = KMeans(n_clusters=2, n_init=10, random_state=42) # 设置聚类数为2 kmeans.fit(X) # 获取分类标签 labels = kmeans.labels_ # 将原始数据和分类标签合并 data_with_labels = pd.DataFrame(X, columns=['Feature1', 'Feature2']) data_with_labels['Cluster_Label'] = labels # 输出结果 print(data_with_labels) ``` 上述代码首先创建了一个KMeans模型，并通过`fit`方法对数据集`X`进行聚类。然后，利用`labels_`属性获取每个数据点的分类标签，并将其与原始数据合并为一个新的DataFrame对象。最终输出的结果是一个包含原始数据及其对应分类标签的数据表[^1]。 ### 轮廓系数评估聚类效果 为了评估聚类的效果，可以使用轮廓系数（Silhouette Coefficient）。该指标衡量了数据点与其所属簇的相似程度以及与其他簇的不同程度。值越接近1，表示聚类效果越好[^3]。 以下是如何计算轮廓系数的代码： ```python from sklearn.metrics import silhouette_score # 计算轮廓系数 silhouette_avg = silhouette_score(X, labels) print(f"Silhouette Coefficient: {silhouette_avg}") ``` 通过计算轮廓系数，可以定量分析聚类结果的质量。 ### 数据可视化 为了更直观地展示聚类结果，可以使用Matplotlib库进行可视化： ```python import matplotlib.pyplot as plt # 可视化聚类结果 plt.scatter(data_with_labels['Feature1'], data_with_labels['Feature2'], c=data_with_labels['Cluster_Label'], cmap='viridis') centers = kmeans.cluster_centers_ plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.75) plt.title('KMeans Clustering Result') plt.xlabel('Feature1') plt.ylabel('Feature2') plt.show() ``` 这段代码绘制了聚类后的数据点，并用不同颜色表示不同的簇。同时，还标注了每个簇的中心点位置[^3]。