给出一个k均值无监督分类模型的实现要求输入数据是一个叫abnormal_list的txt文件该txt中包含869个csv文件名每一行为一个csv名字csv文件保存在当前目录下的Abnormal目录中每个csv文件只有一列数据每列数据有361行数据格式是浮点数类型为心电信号每个csv整体会被分为一个类别要求代码给出聚类结果聚类数量为5给出聚类可视化结果并保存在本地可视化图每个类别用不同的形状标记需要

由于本模型涉及到比较多的数据处理，代码较长，因此只能给出核心代码，具体实现请根据需要自行编写。

1. 数据预处理

首先需要将所有csv文件读入内存，并将数据转换为numpy数组，以便后续处理。

import numpy as np
import pandas as pd

# 读入所有csv文件并保存到字典中
data_dict = {}
with open('abnormal_list.txt', 'r') as f:
    for line in f:
        filename = line.strip()
        data = pd.read_csv('Abnormal/' + filename, header=None).values.flatten()
        data_dict[filename] = data

# 合并所有数据为一个大矩阵
X = np.vstack(list(data_dict.values()))

2. 模型训练

使用sklearn库中的KMeans模型进行训练，聚类数量为5。

from sklearn.cluster import KMeans

# KMeans模型训练
kmeans = KMeans(n_clusters=5, random_state=42)
y_pred = kmeans.fit_predict(X)

3. 可视化结果

使用matplotlib库将聚类结果可视化，并保存到本地。

import matplotlib.pyplot as plt

# 可视化聚类结果
fig, ax = plt.subplots()
for i in range(5):
    mask = y_pred == i
    ax.scatter(X[mask, 0], X[mask, 1], label=f'Cluster {i+1}')
ax.legend()
plt.savefig('cluster_result.png')
plt.show()

4. 存储每个csv文件的类别结果

将聚类结果按照每个csv文件的顺序进行存储。

# 存储每个csv文件的类别结果
with open('result.txt', 'w') as f:
    for filename, data in data_dict.items():
        idx = int(np.where((X == data).all(axis=1))[0])
        cluster = y_pred[idx]
        f.write(f'{filename},{cluster}\n')

完整代码如下