关键词1 关键词101 关键词201 关键词301 关键词401 关键词501 关键词601 关键词701 关键词801 关键词901 关键词1001 关键词1101 关键词1201 关键词1301 关键词1401 关键词1501 关键词1601 关键词1701 关键词1801 关键词1901 问答1 问答101 问答201 问答301 问答401 问答501 问答601 问答701 问答801 问答901 问答1001 问答1101 问答1201 问答1301 问答1401 问答1501 问答1601 问答1701 问答1801 问答1901 懂视1 懂视101 懂视201 懂视301 懂视401 懂视501 懂视601 懂视701 懂视801 懂视901 懂视1001 懂视1101 懂视1201 懂视1301 懂视1401 懂视1501 懂视1601 懂视1701 懂视1801 懂视1901 文库1 文库101 文库201 文库301 文库401 文库501 文库601 文库701 文库801 文库901 文库1001 文库1101 文库1201 文库1301 文库1401 文库1501 文库1601 文库1701 文库1801 文库1901 分类文章1 分类文章101 分类文章201 分类文章301 分类文章401 分类文章501 分类文章601 分类文章701 分类文章801 分类文章901 分类文章1001 分类文章1101 分类文章1201 分类文章1301 分类文章1401 分类文章1501 分类文章1601 分类文章1701 分类文章1801 分类文章1901

k = 5  # 聚类中心数
kmeans_model = KMeans(n_clusters=k, n_jobs=4, random_state=123)
# 聚类中心数，并行的CPU核的数量，随机数种子
fit_kmeans = kmeans_model.fit(airline_scale)  # 模型训练
print(kmeans_model.cluster_centers_)  # 查看聚类中心
print(kmeans_model.labels_)  # 查看样本的类别标签

# 统计不同类别样本的数目
r1 = pd.Series(kmeans_model.labels_).value_counts()
print('最终每个类别的数目为：\n', r1)
result = kmeans_model.predict([[1.5, 1.5, 1.5, 1.5, 1.5]])
print(result)
# 最终确定在五个参数都是1.5的情况下的用户属于类别1
3\r1显示每个聚类内部的元素个数，同时测试一组特定特征值的数据会被分配到哪个组中。