KMeans算法是无监督学习算法，用在聚类任务中。可以使用的业务场景有：客户分群、商品分类、推荐系统、图像分割等。本期用一份简单的数据集带大家了解KMeans算法在客户分群的使用。
导入数据
import pandas as pd
data = pd.read_excel('/kaggle/input/customer-age-and-income/Customer age and income.xlsx')
data.info()数据集已上转至kaggle，有需要的可以在下方评论找地址自行下载哟。
数据探索
X = data.iloc[:, 0]
y = data.iloc[:, 1]
# 散点图绘制
import matplotlib.pyplot as plt
plt.scatter(X, y)代码讲解：
scatter()是用于绘制散点图的函数；
X是我们定义的横坐标，代表年龄；y是纵坐标代表收入；
运行结果：
训练模型
扫描二维码关注公众号，回复：
14749210 查看本文章
from sklearn.cluster import KMeans
kms = KMeans(n_clusters=3, random_state=123)
kms.fit(data)
label = kms.labels_
label代码讲解：
导入KMeans包，并把模型赋值给我们自定义的参数kms；
n_clusters=3指定了聚类的数量为3个，是我们手动定义簇的数据，通过上面的散点图也可以发现数据大致分为3块；
random_state是随机种子，可以自定义一个数字，以确保每次运行的结果都一样；
模型.fit()的写法在每次训练模型都有写到，fit()里面写数据集，将参数传入进行模型训练；
KMeans的labels_属性可以返回每个数据点所属的聚类，但是这样不够直观，我们继续把类别标签用图形表示；
运行结果：
绘制聚类结果
plt.scatter(X[label == 0], y[label == 0], c="red")
plt.scatter(X[label == 1], y[label == 1], c="green")
plt.scatter(X[label == 2], y[label == 2], c="yellow") 代码讲解：
scatter()是用于绘制散点图的函数；
X是我们定义的横坐标，代表年龄；y是纵坐标代表收入；
运行结果：
