Python 用肘部法和K-均值聚类法寻找最优聚类数

我正在编写一个程序，我需要对大约200、300个元素数组的数据集应用K-means聚类。 有人能给我提供一个代码的链接，上面有解释吗- 1.用弯头法求k 2.应用k-均值法求质心阵列

我自己搜索了上述内容，但没有找到任何对代码有明确解释的内容。 另外，我正在谷歌Colab上工作，所以如果有具体的方法，请提出建议

---

我尝试了下面的代码，但是，我不断得到以下错误-

---------------------------------------------------------------------------
TypeError回溯（最近一次调用上次）
TypeError:float（）参数必须是字符串或数字，而不是“list”
上述异常是以下异常的直接原因：
ValueError回溯（最近一次调用上次）
在（）
24
25#步骤1：找到最佳k（簇数）
--->26寻找最佳答案（）
27
3帧
/asarray中的usr/local/lib/python3.6/dist-packages/numpy/core//\u asarray.py（a，数据类型，顺序）
83
84     """
--->85返回数组（a，数据类型，副本=False，顺序=order）
86
87
ValueError:使用序列设置数组元素。

假设有12个样本，每个样本具有以下两个特征：

data=np.array([[1,1],[1,2],[2,1.5],[4,5],[5,6],[4,5.5],[5,5],[8,8],[8,8.5],[9,8],[8.5,9],[9,9]])

您可以使用弯头方法找到最佳簇数，簇中心如以下示例所示：

import numpy as np
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

data=np.array([[1,1],[1,2],[2,1.5],[4,5],[5,6],[4,5.5],[5,5],[8,8],[8,8.5],[9,8],[8.5,9],[9,9]])

def find_best_k():
    sum_of_squared_distances = []
    K=range(1,8) # change 8 in your data 
    for k in K:
        km=KMeans(n_clusters=k)
        km=km.fit(data)
        sum_of_squared_distances.append(km.inertia_)
    plt.plot(K, sum_of_squared_distances, 'bx-')
    plt.xlabel('k')
    plt.ylabel('sum_of_squared_distances')
    plt.title('Elbow method for optimal k')
    plt.show()  
    #The plot looks like an arm, and the elbow on the arm is optimal k.

# step 1: find optimal k (number of clusters)
find_best_k()

def run_kmeans(k,data): # k is the optimal number of clusters
    km=KMeans(n_clusters=k) 
    km=km.fit(data)
    centroids = km.cluster_centers_  #get the center of clusters
    #print(centroids)
    return centroids

def plotresults():
    centroids=run_kmeans(3,data)     
    plt.plot(data[0:3,0],data[0:3,1],'ro',data[3:7,0],data[3:7,1],'bo',data[7:12,0],data[7:12,1],'go')
    for i in range(3):
        plt.plot(centroids[i,0],centroids[i,1],'k*')
        plt.text(centroids[i,0],centroids[i,1], "c"+str(i), fontsize=12)
plotresults()

肘部图：

结果是：

---

希望这有帮助。

作为Roohollah答案的补充：请注意，用于为K-Means找到最佳聚类数的肘部方法纯粹是视觉的，结果可能不明确。因此，您可能希望将其与轮廓分析相结合，例如，在以下文章中： , ,

---

.

在哪里运行代码？我使用的是numpy=1.18.1、sklearn=0.22.1和python=3.7.6的jupyter笔记本。