import numpy as np
import matplotlib as plt
from sklearn.datasets import make_blobs
from sklearn import cluster
import pandas as pd
from sklearn.cluster import KMeans
ori_data = pd.read_excel(r'', encoding='utf-8')
city=ori_data['city']
re=ori_data.rename(index=city)
refined_data=re.drop('city',axis=1)

normalized_data = (refined_data - refined_data.mean(axis=0)) / refined_data.std(axis=0)
normalized_data.columns = 'Z' + normalized_data.columns # 列标题之前追加字符'Z'，表示是进行了归一化处理的列数据
print("归一化数据集前5条数据：")
print(normalized_data.head(5))

k = 5 # 设置的分类数量
model = None

创建KMeans对象，并赋给变量model。使用model训练聚类模型

model = KMeans(n_clusters=k)
model.fit(normalized_data)

统计聚类的每个标签，各有多少个关联的样本点

series1 = pd.Series(model.labels_).value_counts()
print("每个聚类类别的样本数量：\n", series1)

统计每个聚类类别的中心点

series2 = pd.DataFrame(model.cluster_centers_)
print("每个聚类类别的中心点：\n", series2)

整合统计数据

print("聚类个数及中心点统计：")
stats= pd.concat([series1,series2], axis=1)
stats.columns = ['聚类个数'] + list(normalized_data.columns)
print(stats)

现在可以得到
归一化数据集前5条数据：
Z食品 Z衣着 Z设备 ... Z教育 Z居住 Z杂项
北京 1.697812 2.310263 2.492638 ... 2.348767 1.343325 2.473362
天津 0.881019 0.021430 1.169621 ... 0.832942 2.086328 0.931583
河北 -0.859901 -0.204349 -0.112849 ... -0.684187 -0.084026 -0.705180
山西 -1.085923 0.210913 -0.526783 ... -0.360317 0.239536 -0.879979
内蒙古 -0.818104 1.766915 -0.023116 ... 0.028839 0.022700 0.969129

[5 rows x 8 columns]
每个聚类类别的样本数量：
2 15
0 7
3 5
4 2
1 2
dtype: int64
每个聚类类别的中心点：
0 1 2 ... 5 6 7
0 -0.057306 -1.011978 -0.670971 ... -0.739440 -0.926411 -0.729832
1 1.746218 0.425288 1.163863 ... 1.722641 1.604955 0.908086
2 -0.668401 0.081387 -0.426981 ... -0.375549 -0.301455 -0.201205
3 0.423586 0.249634 0.783662 ... 0.423419 0.878069 0.083596
4 2.408394 1.882146 2.427738 ... 2.623472 1.703221 2.946373

[5 rows x 8 columns]
聚类个数及中心点统计：
聚类个数 Z食品 Z衣着 Z设备 ... Z交通 Z教育 Z居住 Z杂项
0 7 -0.057306 -1.011978 -0.670971 ... -0.384421 -0.739440 -0.926411 -0.729832
1 2 1.746218 0.425288 1.163863 ... 2.353969 1.722641 1.604955 0.908086
2 15 -0.668401 0.081387 -0.426981 ... -0.505948 -0.375549 -0.301455 -0.201205
3 5 0.423586 0.249634 0.783662 ... 0.159314 0.423419 0.878069 0.083596
4 2 2.408394 1.882146 2.427738 ... 2.387833 2.623472 1.703221 2.946373

[5 rows x 9 columns]

想要得到
类别为0的城市有：
城市名称 0
然后一直到4