Python 如何从sklearn.cluster.KMeans中提取和映射集群索引？

我有一张数据地图：

import seaborn as sns
import matplotlib.pyplot as plt

X = 101_by_99_float32_array
ax = sns.heatmap(X, square = True)
plt.show()

注意这些数据本质上是一个3D曲面，我对聚类后

X

中的索引位置感兴趣。我可以轻松地将kmeans算法应用于我的数据：

from sklearn.cluster import KMeans
# three clusters is arbitrary; just used for testing purposes
k_means = KMeans(init='k-means++', n_clusters=3, n_init=10).fit(X)

但我不确定如何导航

kmeans

，以识别上面地图中的像素属于哪个集群。我想做的是绘制一个类似于上面的贴图，但不是绘制100x99数组

X

中每个单元格的z值，而是绘制

X

中每个单元格的群集编号

我不知道kmeans算法的输出是否可以实现这一点，但我确实尝试了scikitlearn文档中的一种方法：

但很明显这不是我想要的信息

很明显，我没有完全理解

kmeans

输出的每个组件所代表的内容，我试图阅读对所发现问题的答案中的解释。然而，在这个答案中没有明确说明聚类后原始数据的索引是否被保留，这是我问题的核心。如果这样的信息通过一些矩阵乘法隐式地出现在

kmeans

中，我真的需要一些帮助来提取它

感谢您的时间和帮助

编辑：

感谢@Nakor对kmeans的解释和重塑我的数据的建议。现在，

kmeans

是如何解释我的数据的就更清楚了。我不希望它捕获每个样本的索引，而是依靠

重塑

来实现<代码>重塑将

将原始（101,99）矩阵拉威尔

为（9999,1）数组，正如@Nakor指出的，该数组适合将每个条目作为单个样本进行聚类

只需使用数据的原始形状重新应用

重塑

到

kmeans.labels

，我就得到了我想要的结果：

Y = X.reshape(-1, 1) # shape data to cluster each individual entry 

kmeans= KMeans(init='k-means++', n_clusters=3, n_init=10)
kmeans.fit(Y)

Z = kmeans.labels_
A = Z.reshape(101,99)

plt.figure()
ax = sns.heatmap(cu_map, square = True)
plt.figure()
ay = sns.heatmap(A, square = True)

---

您的问题是

sklearn.cluster.KMeans

需要一个包含

[N_示例，N_功能]

的2D矩阵。但是，您提供了原始图像，因此sklearn知道您有101个样本，每个样本具有99个特征（图像的每一行都是样本，而列就是特征）。因此，您在

k\u中得到的意思是。labels\u

是每一行的集群分配

如果您希望对每个条目进行群集，则需要对数据进行如下重塑，例如：

model = KMeans(init='k-means++', n_clusters=3, n_init=10)
model.fit(X.reshape(-1,1))

如果我检查随机生成的数据，我会得到：

In [1]: len(model.labels_)
Out[1]: 9999

我每个条目有一个标签

In [1]: len(model.labels_)
Out[1]: 9999