견본
베이징, 2959.19,730.79,749.41,513.34,467.87,1141.82,478.42,457.64
천진, 2459.77,495.47,697.33,302.87,284.19,735.97,570.84,305.08
허베이, 1495.63,515.90,362.37,285.32,272.95,540.58,364.91, 188.63
산서, 1406.33,477.77,290.15,208.57,201.50,414.72,281.84,212.10
내몽고, 1303.97,524.29,254.83,192.17,249.81,463.09,287.87,192.96
랴오닝, 1730.84,553.90,246.91,279.81,239.18,445.20,330.24 , 163.86
길림, 1561.86,492.42,200.49,218.36,220.69,459.62,360.48,147.76
헤이룽장, 1410.11,510.71,211.88,277.11,224.65,376.82,317.61,152.85
상하이, 3712.31,550.74,893.37,346.93,527.00,1034.98, 720.33,462.03
강소, 2207.58,449.37,572.40,211.92,302.09,585.23,429.77,252.54
절강, 2629.16,557.32,689.73,435.69,514.66,795.87,575.76,323.36
안후이, 1844.78,430.29,271.28,126.33,250.56,513.18,314.00,151.39
복건, 2709.46,428.11,334.12,160.77,405.14,461.67,535.13,232.29
장시, 1563.78,303.65,233.81,107.90,209.70,393.99,509.39, 160.12
산동, 1675.75,613.32,550.71,219.79,272.59,599.43,371.62,211.84
허난, 1427.65,431.79,288.55,208.14,217.00,337.76,421.31,165.32
후난, 1942.23,512.27,401.39,206.06,321.29,697.22,492.60 , 226.45
후베이, 1783.43,511.88,282.84,201.01,237.60,617.74,523.52,182.52
광동, 3055.17,353.23,564.56,356.27,811.88,873.06,1082.82,420.81
광시, 2033.87,300.82,338.65,157.78,329.06,621.74, 587.02,218.27
하이난, 2057.86,186.44,202.72,171.79,329.65,477.17,312.93,279.19
충칭, 2303.29,589.99,516.21,236.55,403.92,730.05,438.41,225.80
쓰촨, 1974.28,507.76,344.79,203.21,240.24,575.10,430.36,223.46
구이 저우, 1673.82,437.75,461.61,153.32,254.66,445.59,346.11,191.48
운남, 2194.25,537.01,369.07,249.54,290.84,561.91,407.70, 330.95
티베트, 2646.61,839.70,204.44,209.11,379.30,371.04,269.59,389.33
산시, 1472.95,390.89,447.95,259.51,230.61,490.90,469.10,191.34
간쑤, 1525.57,472.98,328.90,219.86,206.65,449.69,249.66 , 228.19
칭하이, 1654.69,437.77,258.78,303.00,244.93,479.53,288.56,236.51
닝샤, 1375.46,480.89,273.84,317.32,251.08,424.75,228.73,195.93
신장, 1608.82,536.05,432.46,235.82,250.28,541.30, 344.85,214.40
NP NumPy와 오기 AS
KMeans # 오기 KMean 클러스터링 알고리즘 도입 sklearn.cluster에서
loadData (여기서 filePath) DEF를 :
#의 판독 개방 FR = 열기 (여기서 filePath 'R & LT +')를
선 fr.readlines = ()
retData = []
retCityName = []
라인 라인 :
#Print (라인)
. 제산 목록을 반환 들어 스트립은 N- \ 제거 line.strip 항목 = () 스플릿 ( ",") #에
#Print (항목)
retCityName.append (항목 [ 0]) # 데이터 위치 도시명 첨가
범위 I에 대해 retData.append를 ([플로트 (항목 [I]). (1, LEN (항목))])
retData, retCityName를 반환
된 IF __name__ == '__main__'
데이터 , CityName이 = loadData ( 'city.txt' ) #의 데이터 가져 오기
수 km = KMeans (n_clusters = 4) #의 클러스터 센터
라벨 km.fit_predict = (데이터) # 호출 알고리즘 기반 라벨 n_clusters = 4 종류로 나누어, 기본 통화 유클리드 공간 거리
#Print (라벨)
#Print (km.cluster_centers_)
경비 = np.sum (km.cluster_centers_, 축 =. 1) # 합계 비용
#Print (경비)
#Print (경비)
[[] CityCluster = [] ], [] # 차원 어레이 = 대응 4 n_clusters.
범위 (LEN (CityName이))에서의 I :
. CityCluster [라벨 [I] 추가] (CityName이 [I]) #은 어레이에 첨가
LEN (범위 내가 대해 (CityCluster))
(이하 "비용에.. : % 2F"인쇄 %의 비용 [I])
인쇄 (CityCluster [I])
산출
