Python 聚类分析：二维散点图

首先，我们需要导入所需的库。在Python中，我们可以使用以下代码导入所需的库：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans

接下来，我们需要生成一些二维数据。我们可以使用numpy库中的随机数生成器来生成数据。例如，我们可以生成100个随机的二维点：

# 生成100个随机的二维点
data = np.random.rand(100, 2)

现在我们有了数据，我们可以使用KMeans算法进行聚类。我们将设置聚类的数量为3，这意味着我们将数据点分成三个簇：

# 使用KMeans算法进行聚类
kmeans = KMeans(n_clusters=3)
kmeans.fit(data)

现在我们已经得到了聚类的结果，我们可以将其绘制在散点图上。我们将使用matplotlib库中的scatter函数来绘制散点图，并使用不同的颜色来表示不同的簇：

# 绘制散点图
plt.scatter(data[:, 0], data[:, 1], c=kmeans.labels_, cmap='viridis')

为了更好地理解聚类的结果，我们可以在散点图上添加聚类的中心点。我们可以使用KMeans对象的clustercenters属性来获取聚类的中心点：

# 添加聚类的中心点
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], c='red', s=100)

最后，我们可以显示散点图。在显示散点图之前，我们可以添加一个标题和坐标轴标签：

# 显示散点图
plt.title('Two-Dimensional Clustering')
plt.xlabel('Dimension 1')
plt.ylabel('Dimension 2')
plt.show()

完整的代码如下所示：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
# 生成100个随机的二维点
data = np.random.rand(100, 2)
# 使用KMeans算法进行聚类
kmeans = KMeans(n_clusters=3)
kmeans.fit(data)
# 绘制散点图
plt.scatter(data[:, 0], data[:, 1], c=kmeans.labels_, cmap='viridis')
# 添加聚类的中心点
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], c='red', s=100)
# 显示散点图
plt.title('Two-Dimensional Clustering')
plt.xlabel('Dimension 1')
plt.ylabel('Dimension 2')
plt.show()