博主介绍✌全网粉丝10W,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战6年之久选择我们就是选择放心、选择安心毕业✌ 想要获取完整文章或者源码或者代做拉到文章底部即可与我联系了。点击查看作者主页了解更多项目感兴趣的可以先收藏起来点赞、关注不迷路大家在毕设选题项目以及论文编写等相关问题都可以给我留言咨询希望帮助同学们顺利毕业 。1、毕业设计2026年计算机专业毕业设计选题汇总建议收藏✅2、大数据毕业设计2026年选题大全 深度学习 python语言 JAVA语言 hadoop和spark建议收藏✅1、项目介绍技术栈Python语言、Django框架、Scrapy爬虫框架、MySQL数据库、Echarts可视化工具、K-means聚类算法、线性回归预测算法功能模块• 用户注册登录模块• 数据爬取与清洗模块• 词云图分析模块• 用户年龄分布分析模块• 房屋租金区间分布模块• 户型占比分析模块• 建筑朝向占比分析模块• 供暖类型占比分析模块• 各面积租金走势分析模块• 总价建筑面积分布趋势模块• 总价建筑面积聚类分析模块• 房租预测模块• 房屋数据推荐模块项目介绍该项目是基于Python生态构建的租房数据分析可视化系统以链家租房网为数据源整合了爬虫、Web开发、机器学习与数据可视化技术。系统采用Scrapy爬虫框架采集房屋信息经数据清洗后存入MySQL数据库。基于Django搭建Web平台实现用户注册登录及数据交互展示功能。可视化层面借助Echarts生成词云图、柱状图、饼图、散点图等多种图表多维度呈现租房市场特征。技术亮点在于将机器学习算法融入系统通过K-means聚类算法对房屋总价与建筑面积进行聚类分析挖掘数据内在规律采用线性回归预测算法构建房租预测模型为用户租房决策提供数据支撑。项目实现了从数据获取、清洗、存储到分析、预测、可视化的全流程闭环兼具技术综合性与实用价值。2、项目界面1词云图分析该页面是一个租房数据可视化管理界面具备词云展示、建筑朝向与供暖类型占比查看、房屋租金分布区间查看、户型占比查看、各面积租金走势查看、总价建筑面积分布趋势查看、总价建筑面积聚类分析以及房租预测等功能模块可通过地区和租金筛选条件进行数据查询。2用户年龄分布该页面是租房数据可视化界面可通过地区和租金筛选条件查询数据包含词云展示、建筑朝向占比可视化、供暖类型占比可视化、房屋租金分布区间查看、户型占比查看、各面积租金走势查看、总价建筑面积分布趋势查看、总价建筑面积聚类分析以及房租预测等功能模块能直观呈现相关数据分布与趋势。3房屋租金分布区间该页面是租房数据可视化界面可通过地区和租金筛选条件查询数据包含词云展示、建筑朝向与供暖类型占比查看、房屋租金分布区间可视化展示、户型占比查看、各面积租金走势查看、总价建筑面积分布趋势查看、总价建筑面积聚类分析以及房租预测等功能模块能直观呈现房屋租金区间分布情况。4户型占比该页面是租房数据可视化界面可通过地区和租金筛选条件查询数据包含词云展示、建筑朝向与供暖类型占比查看、房屋租金分布区间查看、户型占比可视化展示、各面积租金走势查看、总价建筑面积分布趋势查看、总价建筑面积聚类分析以及房租预测等功能模块能直观呈现户型占比与供暖类型占比情况。5房屋数据该页面是租房数据管理与推荐界面可通过地区和租金筛选条件查询房屋信息包含词云展示、建筑朝向与供暖类型占比查看、房屋租金分布区间查看、户型占比查看、各面积租金走势查看、总价建筑面积分布趋势查看、总价建筑面积聚类分析、房租预测以及房屋推荐列表展示等功能模块能直观呈现并推荐租房房源信息。6房屋租金分布区间散点图该页面是租房数据可视化平台支持通过地区、租金等筛选条件查询数据涵盖词云展示、建筑朝向与供暖类型占比分析、房屋租金分布区间查看、户型占比呈现、各面积租金走势展示、总价建筑面积分布趋势与聚类分析及房租预测等功能可直观呈现租金与面积的分布关联趋势。7聚类分布图该页面是租房数据可视化系统界面可通过地区、租金等条件筛选数据包含词云展示、建筑朝向与供暖类型占比可视化、房屋租金分布区间查看、户型占比分析、各面积租金走势展示、总价建筑面积分布趋势与聚类分析及房租预测等功能还能直观呈现房屋单位面积与价格的分布关联数据。8预测分析该页面是租房数据可视化系统界面可通过地区、租金等筛选条件查询数据包含词云展示、建筑朝向与供暖类型占比分析、房屋租金分布区间查看、户型占比呈现、各面积租金走势展示、总价建筑面积分布趋势与聚类分析及房租预测等功能还能直观展示房屋面积与租金的关联趋势并进行租金预测分析。9数据爬取该页面是基于Python与Scrapy框架的租房数据爬虫开发界面包含爬虫代码编写、数据解析、地区与房源信息采集、终端数据输出查看、项目文件管理以及数据库交互等功能模块可实现租房网站房源数据的爬取与初步处理。3、项目说明一、技术栈简要说明本系统基于Python语言开发采用Django框架构建Web应用层实现用户交互与页面展示功能使用Scrapy爬虫框架完成链家租房网的数据采集工作保障数据获取的稳定性与效率以MySQL数据库作为数据存储介质存放经过清洗的规范化房源数据在可视化层面引入Echarts工具生成各类交互式图表呈现数据分析结果机器学习部分集成K-means聚类算法与线性回归预测算法分别用于房屋总价建筑面积的聚类分析以及房租价格的预测建模。二、功能模块详细介绍• 用户注册登录模块该模块提供用户账户管理功能支持新用户注册账号并设置密码已注册用户可通过账号密码登录系统。模块对用户输入进行基础校验保障账户安全为后续数据查询与个性化功能使用提供身份认证基础。• 数据爬取与清洗模块基于Scrapy框架编写爬虫程序定向爬取链家租房网多个城区的房源信息包括房屋标题、租金、面积、户型、朝向、供暖类型、所在区域等字段。爬取过程中进行实时数据清洗剔除重复数据、空值记录及异常信息将规范化的房源数据存入MySQL数据库为后续分析提供高质量数据源。• 词云图分析模块该模块对房源描述文本及标题进行分词处理统计关键词出现频率利用Echarts生成词云图进行可视化展示。词云图中关键词字号大小代表其出现频次直观呈现租房市场的热点词汇与用户关注焦点。• 用户年龄分布分析模块模块基于系统注册用户的年龄数据通过Echarts绘制柱状图展示不同年龄段用户的数量分布情况。图表清晰呈现用户群体的年龄构成特征帮助了解租房主力人群的年龄区间分布规律。• 房屋租金区间分布模块该模块对数据库中房源租金数据进行分段统计设定租金区间阈值通过柱状图或饼图展示各租金区间内的房源数量占比。可视化结果直观反映不同租金档位的房源供给情况为用户选房提供价格参考。• 户型占比分析模块模块对房源户型字段进行分类统计包括开间、一居室、两居室、三居室及以上等类型利用饼图呈现各类户型的占比情况。图表直观展示市场主力户型分布帮助用户了解不同户型房源的供给比例。• 建筑朝向占比分析模块该模块对房屋朝向信息进行统计分析分类统计南北、朝南、朝北、东西等不同朝向的房源数量通过饼图或环形图展示各类朝向占比。可视化结果呈现房源朝向分布特征为用户选择偏好朝向提供数据依据。• 供暖类型占比分析模块模块对房源供暖方式进行分类统计包括集中供暖、自采暖、无供暖等类型利用饼图展示各类供暖方式的占比情况。图表清晰呈现不同供暖类型在租房市场中的分布比例。• 各面积租金走势分析模块该模块将房屋建筑面积划分为多个区间段统计各区间内的平均租金水平通过折线图呈现面积与租金之间的变化趋势。可视化结果直观展示不同面积段房源的租金差异揭示面积对租金的影响规律。• 总价建筑面积分布趋势模块模块以散点图形式展示房屋总价与建筑面积的分布关系每个点代表一套房源横轴为建筑面积纵轴为总价。图表直观呈现两者之间的关联特征便于观察数据聚集区域与离散情况。• 总价建筑面积聚类分析模块基于K-means聚类算法对房屋总价与建筑面积两项特征进行聚类计算将房源划分为若干具有相似特征的群体。聚类结果以不同颜色区分展示在散点图中帮助挖掘数据内在的分组规律与结构特征。• 房租预测模块该模块采用线性回归预测算法选取房屋面积、户型、朝向、所在区域等特征构建预测模型对房租价格进行预测分析。用户输入房屋基本信息后系统返回预测租金结果为租房决策提供数据参考。• 房屋数据推荐模块模块基于用户筛选条件与浏览行为结合房屋特征数据进行匹配推荐。系统在页面中以列表形式展示推荐的房源信息包含房屋标题、租金、面积、户型等关键字段方便用户快速获取符合条件的房源。三、项目总结本系统以链家租房网为数据来源整合数据采集、清洗、存储、分析、预测与可视化全流程技术构建了一套功能完整的租房数据分析可视化平台。项目后端采用Scrapy实现高效数据爬取Django框架搭建Web应用保障系统稳定性与交互性前端借助Echarts生成丰富图表实现多维度数据展示。技术层面将机器学习算法深度融入系统功能通过K-means聚类挖掘房屋总价与建筑面积的内在分组规律利用线性回归构建房租预测模型为用户提供决策参考。系统涵盖词云分析、用户年龄分布、租金区间分布、户型占比、朝向占比、供暖类型占比、面积租金走势、总价面积分布趋势、聚类分析、房租预测及房源推荐等十余项功能模块从多个角度呈现租房市场特征满足用户对房源数据的查询、分析、预测与推荐需求兼具技术综合性与实际应用价值。4、核心代码importpymysqlimportreimportnumpyasnpfromnumpyimport*frommatplotlibimportpyplotaspltdefload_data_set():dataSet[]# 初始化一个空列表加载数据集connpymysql.connect(hostlocalhost,port3306,userroot,passwd123456,dblianjiarent,charsetUTF8)curconn.cursor()sqlSELECT price,area FROM rentcur.execute(sql)datacur.fetchall()print(data)foriindata:temp[]pricei[0]areai[1]patternre.compile(面积(.*?)㎡)area2re.findall(pattern,area)if(area2[]):temp.append(float(area[0]))else:temp.append(float(area2[0]))temp.append(float(price))dataSet.append(temp)print(dataSet)returndataSetdefdistance_euclidean(vector1,vector2):计算欧氏距离returnsqrt(sum(power(vector1-vector2,2)))# 返回两个向量的距离defrand_center(dataSet,k):构建一个包含K个随机质心的集合nshape(dataSet)[1]# 获取样本特征值# 初始化质心创建(k,n)个以0填充的矩阵centroidsmat(zeros((k,n)))# 每个质心有n个坐标值总共要k个质心# 遍历特征值forjinrange(n):# 计算每一列的最小值minJmin(dataSet[:,j])# 计算每一列的范围值rangeJfloat(max(dataSet[:,j])-minJ)# 计算每一列的质心并将其赋给centroidscentroids[:,j]minJrangeJ*random.rand(k,1)returncentroids# 返回质心defk_means(dataSet,k,distMeasdistance_euclidean,creatCentrand_center):K-means聚类算法mshape(dataSet)[0]# 行数# 建立簇分配结果矩阵第一列存放该数据所属中心点第二列是该数据到中心点的距离clusterAssmentmat(zeros((m,2)))centroidscreatCent(dataSet,k)# 质心即聚类点# 用来判定聚类是否收敛clusterChangedTruewhileclusterChanged:clusterChangedFalseforiinrange(m):# 把每一个数据划分到离他最近的中心点minDistinf# 无穷大minIndex-1#初始化forjinrange(k):# 计算各点与新的聚类中心的距离distJIdistMeas(centroids[j,:],dataSet[i,:])ifdistJIminDist:# 如果第i个数据点到第j中心点更近则将i归属为jminDistdistJI minIndexj# 如果分配发生变化则需要继续迭代ifclusterAssment[i,0]!minIndex:clusterChangedTrue# 并将第i个数据点的分配情况存入字典clusterAssment[i,:]minIndex,minDist**2print(centroids)forcentinrange(k):# 重新计算中心点# 去第一列等于cent的所有列ptsInClustdataSet[nonzero(clusterAssment[:,0].Acent)[0]]# 算出这些数据的中心点centroids[cent,:]mean(ptsInClust,axis0)returncentroids,clusterAssmentdefdraw():datMatmat(load_data_set())myCentroids,clusterAssingk_means(datMat,3)plt.scatter(array(datMat)[:,0],array(datMat)[:,1],carray(clusterAssing)[:,0].T)plt.scatter(myCentroids[:,0].tolist(),myCentroids[:,1].tolist(),cr)plt.rcParams[font.sans-serif][Arial Unicode MS]plt.xlabel(单位/平方米)plt.ylabel(单位/元)plt.savefig(../static/image/total.png)plt.show()if__name____main__:draw()5、项目列表6、源码获取方式由于篇幅限制获取完整文章或源码、代做项目的查看我的【用户名】、【专栏名称】、【顶部选题链接】就可以找到我啦感兴趣的可以先收藏起来点赞、关注不迷路下方查看获取联系方式
计算机毕业设计源码：Python链家租房数据可视化分析平台 Django框架 Scrapy爬虫 可视化 K-means 线性回归 大数据 房子 房源 二手房（建议收藏）✅
发布时间：2026/5/27 14:58:58
博主介绍✌全网粉丝10W,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战6年之久选择我们就是选择放心、选择安心毕业✌ 想要获取完整文章或者源码或者代做拉到文章底部即可与我联系了。点击查看作者主页了解更多项目感兴趣的可以先收藏起来点赞、关注不迷路大家在毕设选题项目以及论文编写等相关问题都可以给我留言咨询希望帮助同学们顺利毕业 。1、毕业设计2026年计算机专业毕业设计选题汇总建议收藏✅2、大数据毕业设计2026年选题大全 深度学习 python语言 JAVA语言 hadoop和spark建议收藏✅1、项目介绍技术栈Python语言、Django框架、Scrapy爬虫框架、MySQL数据库、Echarts可视化工具、K-means聚类算法、线性回归预测算法功能模块• 用户注册登录模块• 数据爬取与清洗模块• 词云图分析模块• 用户年龄分布分析模块• 房屋租金区间分布模块• 户型占比分析模块• 建筑朝向占比分析模块• 供暖类型占比分析模块• 各面积租金走势分析模块• 总价建筑面积分布趋势模块• 总价建筑面积聚类分析模块• 房租预测模块• 房屋数据推荐模块项目介绍该项目是基于Python生态构建的租房数据分析可视化系统以链家租房网为数据源整合了爬虫、Web开发、机器学习与数据可视化技术。系统采用Scrapy爬虫框架采集房屋信息经数据清洗后存入MySQL数据库。基于Django搭建Web平台实现用户注册登录及数据交互展示功能。可视化层面借助Echarts生成词云图、柱状图、饼图、散点图等多种图表多维度呈现租房市场特征。技术亮点在于将机器学习算法融入系统通过K-means聚类算法对房屋总价与建筑面积进行聚类分析挖掘数据内在规律采用线性回归预测算法构建房租预测模型为用户租房决策提供数据支撑。项目实现了从数据获取、清洗、存储到分析、预测、可视化的全流程闭环兼具技术综合性与实用价值。2、项目界面1词云图分析该页面是一个租房数据可视化管理界面具备词云展示、建筑朝向与供暖类型占比查看、房屋租金分布区间查看、户型占比查看、各面积租金走势查看、总价建筑面积分布趋势查看、总价建筑面积聚类分析以及房租预测等功能模块可通过地区和租金筛选条件进行数据查询。2用户年龄分布该页面是租房数据可视化界面可通过地区和租金筛选条件查询数据包含词云展示、建筑朝向占比可视化、供暖类型占比可视化、房屋租金分布区间查看、户型占比查看、各面积租金走势查看、总价建筑面积分布趋势查看、总价建筑面积聚类分析以及房租预测等功能模块能直观呈现相关数据分布与趋势。3房屋租金分布区间该页面是租房数据可视化界面可通过地区和租金筛选条件查询数据包含词云展示、建筑朝向与供暖类型占比查看、房屋租金分布区间可视化展示、户型占比查看、各面积租金走势查看、总价建筑面积分布趋势查看、总价建筑面积聚类分析以及房租预测等功能模块能直观呈现房屋租金区间分布情况。4户型占比该页面是租房数据可视化界面可通过地区和租金筛选条件查询数据包含词云展示、建筑朝向与供暖类型占比查看、房屋租金分布区间查看、户型占比可视化展示、各面积租金走势查看、总价建筑面积分布趋势查看、总价建筑面积聚类分析以及房租预测等功能模块能直观呈现户型占比与供暖类型占比情况。5房屋数据该页面是租房数据管理与推荐界面可通过地区和租金筛选条件查询房屋信息包含词云展示、建筑朝向与供暖类型占比查看、房屋租金分布区间查看、户型占比查看、各面积租金走势查看、总价建筑面积分布趋势查看、总价建筑面积聚类分析、房租预测以及房屋推荐列表展示等功能模块能直观呈现并推荐租房房源信息。6房屋租金分布区间散点图该页面是租房数据可视化平台支持通过地区、租金等筛选条件查询数据涵盖词云展示、建筑朝向与供暖类型占比分析、房屋租金分布区间查看、户型占比呈现、各面积租金走势展示、总价建筑面积分布趋势与聚类分析及房租预测等功能可直观呈现租金与面积的分布关联趋势。7聚类分布图该页面是租房数据可视化系统界面可通过地区、租金等条件筛选数据包含词云展示、建筑朝向与供暖类型占比可视化、房屋租金分布区间查看、户型占比分析、各面积租金走势展示、总价建筑面积分布趋势与聚类分析及房租预测等功能还能直观呈现房屋单位面积与价格的分布关联数据。8预测分析该页面是租房数据可视化系统界面可通过地区、租金等筛选条件查询数据包含词云展示、建筑朝向与供暖类型占比分析、房屋租金分布区间查看、户型占比呈现、各面积租金走势展示、总价建筑面积分布趋势与聚类分析及房租预测等功能还能直观展示房屋面积与租金的关联趋势并进行租金预测分析。9数据爬取该页面是基于Python与Scrapy框架的租房数据爬虫开发界面包含爬虫代码编写、数据解析、地区与房源信息采集、终端数据输出查看、项目文件管理以及数据库交互等功能模块可实现租房网站房源数据的爬取与初步处理。3、项目说明一、技术栈简要说明本系统基于Python语言开发采用Django框架构建Web应用层实现用户交互与页面展示功能使用Scrapy爬虫框架完成链家租房网的数据采集工作保障数据获取的稳定性与效率以MySQL数据库作为数据存储介质存放经过清洗的规范化房源数据在可视化层面引入Echarts工具生成各类交互式图表呈现数据分析结果机器学习部分集成K-means聚类算法与线性回归预测算法分别用于房屋总价建筑面积的聚类分析以及房租价格的预测建模。二、功能模块详细介绍• 用户注册登录模块该模块提供用户账户管理功能支持新用户注册账号并设置密码已注册用户可通过账号密码登录系统。模块对用户输入进行基础校验保障账户安全为后续数据查询与个性化功能使用提供身份认证基础。• 数据爬取与清洗模块基于Scrapy框架编写爬虫程序定向爬取链家租房网多个城区的房源信息包括房屋标题、租金、面积、户型、朝向、供暖类型、所在区域等字段。爬取过程中进行实时数据清洗剔除重复数据、空值记录及异常信息将规范化的房源数据存入MySQL数据库为后续分析提供高质量数据源。• 词云图分析模块该模块对房源描述文本及标题进行分词处理统计关键词出现频率利用Echarts生成词云图进行可视化展示。词云图中关键词字号大小代表其出现频次直观呈现租房市场的热点词汇与用户关注焦点。• 用户年龄分布分析模块模块基于系统注册用户的年龄数据通过Echarts绘制柱状图展示不同年龄段用户的数量分布情况。图表清晰呈现用户群体的年龄构成特征帮助了解租房主力人群的年龄区间分布规律。• 房屋租金区间分布模块该模块对数据库中房源租金数据进行分段统计设定租金区间阈值通过柱状图或饼图展示各租金区间内的房源数量占比。可视化结果直观反映不同租金档位的房源供给情况为用户选房提供价格参考。• 户型占比分析模块模块对房源户型字段进行分类统计包括开间、一居室、两居室、三居室及以上等类型利用饼图呈现各类户型的占比情况。图表直观展示市场主力户型分布帮助用户了解不同户型房源的供给比例。• 建筑朝向占比分析模块该模块对房屋朝向信息进行统计分析分类统计南北、朝南、朝北、东西等不同朝向的房源数量通过饼图或环形图展示各类朝向占比。可视化结果呈现房源朝向分布特征为用户选择偏好朝向提供数据依据。• 供暖类型占比分析模块模块对房源供暖方式进行分类统计包括集中供暖、自采暖、无供暖等类型利用饼图展示各类供暖方式的占比情况。图表清晰呈现不同供暖类型在租房市场中的分布比例。• 各面积租金走势分析模块该模块将房屋建筑面积划分为多个区间段统计各区间内的平均租金水平通过折线图呈现面积与租金之间的变化趋势。可视化结果直观展示不同面积段房源的租金差异揭示面积对租金的影响规律。• 总价建筑面积分布趋势模块模块以散点图形式展示房屋总价与建筑面积的分布关系每个点代表一套房源横轴为建筑面积纵轴为总价。图表直观呈现两者之间的关联特征便于观察数据聚集区域与离散情况。• 总价建筑面积聚类分析模块基于K-means聚类算法对房屋总价与建筑面积两项特征进行聚类计算将房源划分为若干具有相似特征的群体。聚类结果以不同颜色区分展示在散点图中帮助挖掘数据内在的分组规律与结构特征。• 房租预测模块该模块采用线性回归预测算法选取房屋面积、户型、朝向、所在区域等特征构建预测模型对房租价格进行预测分析。用户输入房屋基本信息后系统返回预测租金结果为租房决策提供数据参考。• 房屋数据推荐模块模块基于用户筛选条件与浏览行为结合房屋特征数据进行匹配推荐。系统在页面中以列表形式展示推荐的房源信息包含房屋标题、租金、面积、户型等关键字段方便用户快速获取符合条件的房源。三、项目总结本系统以链家租房网为数据来源整合数据采集、清洗、存储、分析、预测与可视化全流程技术构建了一套功能完整的租房数据分析可视化平台。项目后端采用Scrapy实现高效数据爬取Django框架搭建Web应用保障系统稳定性与交互性前端借助Echarts生成丰富图表实现多维度数据展示。技术层面将机器学习算法深度融入系统功能通过K-means聚类挖掘房屋总价与建筑面积的内在分组规律利用线性回归构建房租预测模型为用户提供决策参考。系统涵盖词云分析、用户年龄分布、租金区间分布、户型占比、朝向占比、供暖类型占比、面积租金走势、总价面积分布趋势、聚类分析、房租预测及房源推荐等十余项功能模块从多个角度呈现租房市场特征满足用户对房源数据的查询、分析、预测与推荐需求兼具技术综合性与实际应用价值。4、核心代码importpymysqlimportreimportnumpyasnpfromnumpyimport*frommatplotlibimportpyplotaspltdefload_data_set():dataSet[]# 初始化一个空列表加载数据集connpymysql.connect(hostlocalhost,port3306,userroot,passwd123456,dblianjiarent,charsetUTF8)curconn.cursor()sqlSELECT price,area FROM rentcur.execute(sql)datacur.fetchall()print(data)foriindata:temp[]pricei[0]areai[1]patternre.compile(面积(.*?)㎡)area2re.findall(pattern,area)if(area2[]):temp.append(float(area[0]))else:temp.append(float(area2[0]))temp.append(float(price))dataSet.append(temp)print(dataSet)returndataSetdefdistance_euclidean(vector1,vector2):计算欧氏距离returnsqrt(sum(power(vector1-vector2,2)))# 返回两个向量的距离defrand_center(dataSet,k):构建一个包含K个随机质心的集合nshape(dataSet)[1]# 获取样本特征值# 初始化质心创建(k,n)个以0填充的矩阵centroidsmat(zeros((k,n)))# 每个质心有n个坐标值总共要k个质心# 遍历特征值forjinrange(n):# 计算每一列的最小值minJmin(dataSet[:,j])# 计算每一列的范围值rangeJfloat(max(dataSet[:,j])-minJ)# 计算每一列的质心并将其赋给centroidscentroids[:,j]minJrangeJ*random.rand(k,1)returncentroids# 返回质心defk_means(dataSet,k,distMeasdistance_euclidean,creatCentrand_center):K-means聚类算法mshape(dataSet)[0]# 行数# 建立簇分配结果矩阵第一列存放该数据所属中心点第二列是该数据到中心点的距离clusterAssmentmat(zeros((m,2)))centroidscreatCent(dataSet,k)# 质心即聚类点# 用来判定聚类是否收敛clusterChangedTruewhileclusterChanged:clusterChangedFalseforiinrange(m):# 把每一个数据划分到离他最近的中心点minDistinf# 无穷大minIndex-1#初始化forjinrange(k):# 计算各点与新的聚类中心的距离distJIdistMeas(centroids[j,:],dataSet[i,:])ifdistJIminDist:# 如果第i个数据点到第j中心点更近则将i归属为jminDistdistJI minIndexj# 如果分配发生变化则需要继续迭代ifclusterAssment[i,0]!minIndex:clusterChangedTrue# 并将第i个数据点的分配情况存入字典clusterAssment[i,:]minIndex,minDist**2print(centroids)forcentinrange(k):# 重新计算中心点# 去第一列等于cent的所有列ptsInClustdataSet[nonzero(clusterAssment[:,0].Acent)[0]]# 算出这些数据的中心点centroids[cent,:]mean(ptsInClust,axis0)returncentroids,clusterAssmentdefdraw():datMatmat(load_data_set())myCentroids,clusterAssingk_means(datMat,3)plt.scatter(array(datMat)[:,0],array(datMat)[:,1],carray(clusterAssing)[:,0].T)plt.scatter(myCentroids[:,0].tolist(),myCentroids[:,1].tolist(),cr)plt.rcParams[font.sans-serif][Arial Unicode MS]plt.xlabel(单位/平方米)plt.ylabel(单位/元)plt.savefig(../static/image/total.png)plt.show()if__name____main__:draw()5、项目列表6、源码获取方式由于篇幅限制获取完整文章或源码、代做项目的查看我的【用户名】、【专栏名称】、【顶部选题链接】就可以找到我啦感兴趣的可以先收藏起来点赞、关注不迷路下方查看获取联系方式
