Python实现C-均值聚类分析：基于身高、体重和50米成绩对学生进行分类

import pandas as pd
import numpy as np
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 读取Excel数据
data = pd.read_excel(r'D:\研究生作业\模式识别作业\2023年模式识别与机器学习数据集汇总1.XLS')

# 提取男生和女生的数据
male_data = data[data['性别'] == '男']
female_data = data[data['性别'] == '女']

# 合并男生和女生的数据
merged_data = pd.concat([male_data, female_data])

# 提取身高、体重、50米成绩三个特征
features = ['身高', '体重', '50米成绩']

# 标准化数据
scaler = StandardScaler()
scaled_data = scaler.fit_transform(merged_data[features])

# 定义聚类数范围
num_clusters = range(2, 11)

# 执行聚类并绘制三维分布图
fig = plt.figure(figsize=(16, 12))

for i, n in enumerate(num_clusters):
    ax = fig.add_subplot(3, 3, i+1, projection='3d')
    kmeans = KMeans(n_clusters=n)
    kmeans.fit(scaled_data)
    labels = kmeans.labels_
    centers = kmeans.cluster_centers_

    # 绘制三维分布图
    ax.scatter(scaled_data[:, 0], scaled_data[:, 1], scaled_data[:, 2], c=labels)
    ax.scatter(centers[:, 0], centers[:, 1], centers[:, 2], marker='X', c='red', s=200, label=f'聚类数={n}')
    ax.set_title(f'聚类数为{n}的三维分布图')
    ax.set_xlabel('标准化身高')
    ax.set_ylabel('标准化体重')
    ax.set_zlabel('标准化50米成绩')
    ax.legend()

plt.tight_layout()
plt.show()

# 将聚类中心还原回初始值
original_centers = scaler.inverse_transform(centers)

# 输出聚类中心
for i, center in enumerate(original_centers):
    print(f'聚类数为{num_clusters[i]}的聚类中心（还原后）：')
    for j, feature in enumerate(features):
        print(f'{feature}: {center[j]}')
    print()

这段代码实现了以下功能：

读取数据： 从Excel文件'D:\研究生作业\模式识别作业\2023年模式识别与机器学习数据集汇总1.XLS'中读取学生数据。
数据预处理： 分别提取男生和女生的数据，合并数据，提取身高、体重和50米成绩三个特征，并对数据进行标准化处理。
C-均值聚类： 使用KMeans算法对标准化后的数据进行聚类分析，聚类数范围为2到10。
结果可视化： 使用matplotlib库绘制三维散点图，展示不同聚类数下的聚类结果，并标记聚类中心。
聚类中心还原： 将标准化后的聚类中心还原为原始数据的单位。
输出结果： 打印每个聚类数下的聚类中心，包括身高、体重和50米成绩三个特征的值。

这段代码可以帮助你理解如何使用Python进行C-均值聚类分析，并对结果进行可视化展示。同时，代码中对数据预处理和结果解读的步骤也有一定的参考价值。