1 确认聚类中心

对西瓜数据集的密度属性和含糖量属性分别进行3类聚，从而得到两个属性模糊子集的判断临界点。

"""属性数据进行聚类"""
    # 读取原始数据集
    X = readDataSet().data
    print(X)

    # 密度数据聚类
    x1 = [n[0] for n in X]
    y1 = np.array(x1).reshape(-1, 1)
    km1 = KMeans(n_clusters=3)
    km1.fit(y1)
    k1 = sorted(km1.cluster_centers_)
    print(k1)

    # 含糖量数据聚类
    x2 = [n[1] for n in X]
    y2 = np.array(x2).reshape(-1, 1)
    km2 = KMeans(n_clusters=3)
    km2.fit(y2)
    k2 = sorted(km2.cluster_centers_)
    print(k2)

2 一维数组的聚类

这里参照的是这篇博客：聚类实战：一维数组数据聚类
使用的是方法一：采用K-Means对一维数据聚类：

	x1 = [n[0] for n in X] # X 是之前读取自定义数据集返回来的data，即[[密度1,含糖量1],[密度2,含糖量2],...]
    y1 = np.array(x1).reshape(-1, 1) # 这个格式转换我也不太理解，但是如果不这样的话，就类聚不成功了。
    km1 = KMeans(n_clusters=3)
    km1.fit(y1)
    k1 = sorted(km1.cluster_centers_) # 对3个类聚中心进行从低到高的排序
    print(k1)

3 类聚加模糊化处理完整代码

类聚加模糊化处理完整代码：

def main():
    """属性数据进行聚类"""
    # 读取原始数据集
    X = readDataSet().data
    print(X)

    # 密度数据聚类
    x1 = [n[0] for n in X]
    y1 = np.array(x1).reshape(-1, 1)
    km1 = KMeans(n_clusters=3)
    km1.fit(y1)
    k1 = sorted(km1.cluster_centers_)
    print(k1)

    # 含糖量数据聚类
    x2 = [n[1] for n in X]
    y2 = np.array(x2).reshape(-1, 1)
    km2 = KMeans(n_clusters=3)
    km2.fit(y2)
    k2 = sorted(km2.cluster_centers_)
    print(k2)

    preDataSet(k1, k2)  # 数据模糊化

运行结果：

4 问题记录

1、想要将标签列通过程序写入模糊数据表中，但是很多次都无果，以前都是复制粘贴的，虽然手动复制粘贴也没有什么错，就是看着不太聪明的样子。再看看有没有办法解决这个问题，如果不能的话先不在这里耗费时间了。

2、K-Means好像只能对列向量进行处理？