Python 使用sklearn K-means聚类如何输出每个簇中的具体数据

如题，使用sklearn的k-means进行聚类分析， 要如何输出每个group中的具体数据呢？

遍历一下它给的label_，然后用值作为key，用下标作为value，字典的value做成一个list，下标直接append

• 这篇文章：K-Means 聚类算法 python sklearn 也许有你想要的答案，你可以看看
• 同时，你还可以查看手册：K-means聚类法 中的内容
• 除此之外, 这篇博客: Python:Sklearn的K-Means以及均值漂移聚类代码中的 K-Means聚类 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• 
  聚类流程图如上图所示，K-Means聚类需要自己设置簇数k，可以通过肘方法确定k值。

  import pandas as pd
  import numpy as np
  import matplotlib
  from matplotlib import pyplot as plt
  from pandas import DataFrame,Series
  from sklearn.externals import joblib
  
  #读取文件夹
  data = pd.read_csv('train.csv',encoding = "gbk")
  #将数据用(二维)数组的形式表示
  dataset_1= data[['属性1','属性2','属性3']]
  dataset_1 = dataset_1.values
  
  #对数据进行标准化
  from sklearn.preprocessing import StandardScaler
  # 导入标准化模块
  ss = StandardScaler()
  std_data = ss.fit_transform(dataset_1)
  
  # 导入“cluster”模块
  from sklearn import cluster
  # 创建KMeans模型
  clf = cluster.KMeans(init='k-means++', n_clusters=10, random_state=42)
  clf.fit(std_data)
  
  # 模型保存
  # joblib.dump(clf,"train_2.m")
  
  clu_l = clf.labels_
  clu_c = clf.cluster_centers_
  print("簇数：",len(clu_c)) #获取簇数
  print("质心坐标：",clu_c) #获取标准化质心坐标
  print("原质心坐标为：",ss.inverse_transform(clu_c)) # 获取原质心坐标
  print("聚类对应标签为：",clu_l) #获取所有标签
  
  # 统计每个簇的点有多少个。
  dict = {0:0,1:0,2:0,3:0,4:0,5:0,6:0,7:0,8:0,9:0,10:0,11:0,12:0,13:0,14:0,15:0}
  for i in clu_l:
  	dict[i] = dict[i]+1
  print("每个簇内点数为：",dict)
  
  import sklearn.metrics as sm
  # 计算 轮廓系数，CH 指标，DBI
  s1 = sm.silhouette_score(std_data, clu_l, metric='euclidean')  # 计算轮廓系数
  s2 = sm.calinski_harabasz_score(std_data, clu_l)  # 计算CH score
  s3 = sm.davies_bouldin_score(std_data, clu_l)  # 计算 DBI
  print("轮廓系数:",s1)
  print("ch score:",s2)
  print("DBI:",s3)