分类算法
无监督学习没有标签，让算法自己找数据里的结构。两大任务：聚类（分组）和降维（压缩）。
聚类
KMeans 最常用：指定 K 个簇，迭代把点分到最近的中心。用户分群、图像压缩、异常检测都靠它。选 K 用肘部法则。
降维
PCA 主成分分析：把高维数据压缩到低维，保留主要信息。特征太多时加速训练、可视化用。
代码示例
from sklearn.cluster import KMeans
from sklearn.decomposition import PCA
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
data = load_iris()
X = data.data
# 聚类
kmeans = KMeans(n_clusters=3, random_state=42, n_init=10)
labels = kmeans.fit_predict(X)
print("聚类结果（前5个）:", labels[:5])
# 降维可视化
pca = PCA(n_components=2)
X_2d = pca.fit_transform(X)
print("降维后形状:", X_2d.shape)
# 画图
# plt.scatter(X_2d[:, 0], X_2d[:, 1], c=labels)
# plt.show()📚 Python 语法速查
常用条目速查，完整版见对应教程章节。可复制代码到在线运行中测试。
| 写法 / 语法 | 作用 |
|---|---|
print("hello") | 输出到控制台 |
name = "张三" | 变量赋值（无需声明类型） |
if x > 0: ... | 条件判断（注意冒号和缩进） |
for i in range(10): ... | 循环（缩进是语法的一部分） |
while x < 10: ... | 条件循环 |
def fn(a, b): return a + b | 定义函数 |
class Person: ... | 定义类 |
list = [1, 2, 3] | 列表（可改） |
tuple = (1, 2) | 元组（不可改） |
dict = {"key": "value"} | 字典（键值对） |
set = {1, 2, 3} | 集合（去重） |
len(obj) | 取长度 |
str(x) / int(x) / float(x) | 类型转换 |
s.split(",") | 字符串按分隔符拆分 |
" ".join(list) | 列表拼接成字符串 |
import os | 导入模块 |
from math import sqrt | 从模块导入指定函数 |
try: ... except Exception as e: ... | 异常捕获 |
with open("a.txt", "r") as f: ... | 文件读取（自动关闭） |
f"你好 {name}" | f-string 格式化 |
lambda x: x * 2 | 匿名函数 |
list(map(fn, arr)) | 函数式处理列表 |
range(start, stop, step) | 生成数字序列 |
if __name__ == "__main__": | 主入口判断 |
pip install 包名 | 安装第三方包（命令行） |