### 使用KMeans聚类后输出带分类标签的数据的方法 在Python中使用`scikit-learn`的`KMeans`进行聚类后，可以通过`labels_`属性获取每个样本所属的类别标签，并将其与原始数据合并以生成带分类结果的数据。以下是具体实现方法及代码示例。 首先，加载所需库并读取数据： ```python import numpy as np import pandas as pd from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler # 假设数据存储在DataFrame中 data = pd.DataFrame({ 'feature1': [1, 2, 3, 4, 5], 'feature2': [6, 7, 8, 9, 10] }) ``` 接着，对数据进行标准化处理以消除量纲的影响[^3]： ```python scaler = StandardScaler() scaled_data = scaler.fit_transform(data) ``` 然后，应用`KMeans`算法进行聚类： ```python kmeans = KMeans(n_clusters=3, random_state=42) # 设置聚类数为3 kmeans.fit(scaled_data) ``` 通过`labels_`属性获取聚类结果，并将其添加到原始数据中： ```python data['cluster_label'] = kmeans.labels_ ``` 最终，输出带分类标签的数据： ```python print(data) ``` 此方法将聚类结果作为新列添加到原始数据集中，便于后续分析和可视化[^1]。 ### 示例输出 假设输入数据如下： | feature1 | feature2 | |----------|----------| | 1 | 6 | | 2 | 7 | | 3 | 8 | | 4 | 9 | | 5 | 10 | 经过上述步骤后，输出可能为： | feature1 | feature2 | cluster_label | |----------|----------|---------------| | 1 | 6 | 0 | | 2 | 7 | 0 | | 3 | 8 | 1 | | 4 | 9 | 1 | | 5 | 10 | 2 |