标签：测试 更新 指定 应用 strip() 消费 颜色 sum encoding
1. 应用K-means算法进行图片压缩
读取一张图片
观察图片文件大小，占内存大小，图片数据结构，线性化
用kmeans对图片像素颜色进行聚类
获取每个像素的颜色类别，每个类别的颜色
压缩图片生成：以聚类中收替代原像素颜色，还原为二维
观察压缩图片的文件大小，占内存大小
from sklearn.datasets import load_sample_image
import matplotlib.pyplot as plt
import numpy as np
import matplotlib.image as img
#读取原始图片
china = load_sample_image("china.jpg")
plt.imshow(china)
plt.show()
print(china.shape)#观察图片存放数据特点
image=china[::3,::3] #降低分辨率
plt.imshow(image)
plt.show()
#改变数组
x=image.reshape(-1,3)
n_colors=64 #(256，256，256)
model=KMeans(n_colors) #64类聚类中心
labels=model.fit_predict(x) #每个点的颜色分类，0-63
colors=model.cluster_centers_ #64类聚类中心值
new_image=colors[labels] #进行颜色填充
new_image=new_image.reshape(image.shape)
plt.imshow(new_image.astype(np.uint8))
plt.show()
# 将原始图片与新图片保存成文件，观察文件的大小
# img.imsave()函数将图片保存到指定路径
img.imsave(‘D://image//china.jpg‘,china)
img.imsave(‘D://image//new_china.jpg‘,new_image)
2. 观察学习与生活中可以用K均值解决的问题。
从数据-模型训练-测试-预测完整地完成一个应用案例。
这个案例会作为课程成果之一，单独进行评分。
通过聚类，了解2017年-2010年31个省份的居民消费水平在全国的情况。
# 导入numpy包
import numpy as np
# 从sklearn库的聚类模块中导入KMeans包
from sklearn.cluster import KMeans
# 定义加载数据函数
# 函数名为loadData，函数参数为文件路径
def loadData(filePath):
# 以r+的方式打开 +表示打开磁盘文件更新(读和写)
fr = open(filePath, ‘r+‘,encoding=‘UTF-8‘)
# 以readlines方式读取文件
lines = fr.readlines()
# 数据列表
retData = []
# 各省名称列表
retCityName = []
# 循环遍历
for line in lines:
items = line.strip().split(",")
retCityName.append(items[0])
retData.append([float(items[i]) for i in range(1, len(items))])
# 返回值是各省名称和具体数据
return retData, retCityName
if __name__ == ‘__main__‘:
data, cityName = loadData(‘C:/Users/林佳铭/Desktop/cost.txt‘)
# 定义4个簇
km = KMeans(n_clusters=4)
# 计算簇中心以及为簇分配序号
label = km.fit_predict(data)
# 计算消费水平
expenses = np.sum(km.cluster_centers_, axis=1)
# print(expenses)
# 定义二维列表，按类盛放各省名称
CityCluster = [[], [], [], []]
# 将各省按照label分成设定的簇
for i in range(len(cityName)):
CityCluster[label[i]].append(cityName[i])
# 将各省的名称输出，将各省的居民消费水平输出（10年-17年的总和）
for i in range(len(CityCluster)):
print("Expenses:%.2f" % expenses[i]+‘元‘)
print(CityCluster[i])
标签：测试 更新 指定 应用 strip() 消费 颜色 sum encoding
原文地址：https://www.cnblogs.com/ljm41/p/12727725.html
