使用聚类算法图示结果

1.(x,y)为二维空间里面的点，x,y都取值为0到100的整数，在此空间随机生成不低于30个点（算法中可以不处理随机生成中的重复问题，也可以处理），使用聚类算法，分别生成四个类（类间距离使用平均距离），并图示结果。2.同样数据集，类间距离分别使用最短距离和最长距离，并图示结果。

这是最简单的调包法，要是可以剩下的就靠自己调参了。

# 1、导入数据
import numpy as np
data = np.random.randint(0,101,size=(100,2))

# 2、可视化
import matplotlib.pyplot as plt
plt.scatter(data[:, 0], data[:, 1], c="red", marker='o', label='samples')  # 以红色圆圈样式绘制散点图并加上标签
plt.legend()  # 设置图例，图例内容为上面设置的label参数
plt.show()

# 3、数据聚类
from sklearn.cluster import KMeans
kms = KMeans(n_clusters=4)
kms.fit(data)

# 4、获取分类结果
label = kms.labels_

# 5、分类可视化
plt.scatter(data[label == 0][:, 0], data[label == 0][:, 1], c="red", marker='o', label='class0')  # 以红色圆圈样式绘制散点图并加上标签
plt.scatter(data[label == 1][:, 0], data[label == 1][:, 1], c="green", marker='*', label='class1')  # 以绿色星星样式绘制散点图并加上标签
plt.scatter(data[label == 2][:, 0], data[label == 2][:, 1], c="blue", marker='+', label='class2')  # 以蓝色加号样式绘制散点图并加上标签
plt.scatter(data[label == 3][:, 0], data[label == 3][:, 1], c="yellow", marker='^', label='class3')  # 以黄色三角样式绘制散点图并加上标签
plt.legend()  # 设置图例