先講KMeans的建構函式：

使用前需要匯入

import sklearn.cluster import KMeans

KMeans(n_clusters=8,
     init='k-means++', 
    n_init=10, 
    max_iter=300, 
    tol=0.0001, 
    precompute_distances='auto', 
    verbose=0, 
    random_state=None, 
    copy_x=True, 
    n_jobs=1, 
    algorithm='auto'
    )

引數的意義：

• n_clusters
  :簇的個數，即你想聚成幾類
• init: 初始簇中心的獲取方法
• n_init: 獲取初始簇中心的更迭次數
• max_iter: 最大迭代次數（因為kmeans演算法的實現需要迭代）
• tol: 容忍度，即kmeans執行準則收斂的條件
• precompute_distances：是否需要提前計算距離
• verbose: 冗長模式（不太懂是啥意思，反正一般不去改預設值）
• random_state: 隨機生成簇中心的狀態條件。
• copy_x: 對是否修改資料的一個標記，如果True，即複製了就不會修改資料。
• n_jobs: 並行設定
• algorithm: kmeans的實現演算法，有：'auto', 'full', 'elkan'
  , 其中 'full'表示用EM方式實現

import osimport scipy as sp
import numpy as np
from scipy.stats import norm
from matplotlib import pylab
from sklearn.cluster import KMeans

xw1 = norm(loc=0.3, scale=.15).rvs(20)
yw1 = norm(loc=0.3, scale=.15).rvs(20)

xw2 = norm(loc=0.7, scale=.15).rvs(20)
yw2 = norm(loc=0.7, scale=.15).rvs(20)

xw3 = norm(loc=0.2, scale=.15).rvs(20)
yw3 = norm(loc=0.8, scale=.15).rvs(20)


x = sp.append(sp.append(xw1, xw2), xw3)
y = sp.append(sp.append(yw1, yw2), yw3)

km = KMeans(init='random', n_clusters=3, verbose=1,
            n_init=1, max_iter=6)
colors=['red','green','blue']
marker=['o','p','^']
for i in km.labels_:
    pylab.scatter(x[km.labels_==i],y[km.labels_==i],marker=marker[i],c=colors[i])
pylab.show()
 

關於KMeans物件的屬性：

labels_:每個點的分類； 

cluster_centers_：向量，[n_clusters, n_features] 

inertia_：float，每個點到其簇的質心的距離之和。 

KMeans物件的方法：

fit(X[,y])： 計算k-means聚類。

fi_predictt(X[,y])： 計算簇質心並給每個樣本預測類別。

fit_transform(X[,y])：計算簇並 transform X to cluster-distance space。

get_params([deep])：取得估計器的引數。

predict(X)：給每個樣本估計最接近的簇。

score(X[,y])：Opposite of the value of X on the K-means objective (?)

set_params(**params)：為這個估計器手動設定引數。

transform(X[,y])：將X轉換入cluster-distance 空間。