今天我們要用python的sklearn來實作K-means，首先我們先利用python的random套件來隨機產生資料點，筆者這邊隨機產生了100個x座標介於0到100且y座標介於0到100的資料點。

import random

coordinates = []
for _ in range(100):
    coordinates.append([random.randint(0, 100), random.randint(0, 100)])

下一步我們直接使用skleanr.cluster裡的KMeans函式來建構K-means模型，這邊選擇的分群為3，讀者們可以調整看看分群的數量，看看有什麼樣不同的結果。建構完成過後，就可以直接將先前產生的隨機點放進模型去做訓練。

from sklearn.cluster import KMeans

kmeans = KMeans(n_clusters = 3)
kmeans.fit(coordinates)

訓練完成過後可以使用predict函式來對資料預測是哪一個分群或是在訓練時使用fit_predict函式，可以訓練後直接回傳分群結果。筆者這邊利用了python的matplotlib.pyplot對預測結果做圖，直接圖像化來清楚的看見分群結果。

import matplotlib.pyplot as plt

predictions = kmeans.predict(coordinates)
for i, prediction in enumerate(predictions):
    if (prediction == 1):
        plt.plot(coordinates[i][0], coordinates[i][1], "bo")
    elif (prediction == 2):
        plt.plot(coordinates[i][0], coordinates[i][1], "go")
    else:
        plt.plot(coordinates[i][0], coordinates[i][1], "yo")
        
plt.show()

從結果來看，好像我們做出來的結果還不錯，但是這其實是建立在我們的資料沒有離群值（outlier）的情況之下。以下的例子，筆者將一點離群值加入coordinates之中再重新訓練一次模型，可以看到最後得出來的結果好像跟我們期望的就有點差別了。所以資料預處理其實是很重要的，在訓練模型前，我們應該先檢查資料的可靠度，對資料進行刪減過後再做訓練。

coordinates.append([1000, 1000])

kmeans = KMeans(n_clusters = 3)
predictions = kmeans.fit_predict(coordinates)

for i, prediction in enumerate(predictions):
    if (prediction == 1):
        plt.plot(coordinates[i][0], coordinates[i][1], "bo")
    elif (prediction == 2):
        plt.plot(coordinates[i][0], coordinates[i][1], "go")
    else:
        plt.plot(coordinates[i][0], coordinates[i][1], "yo")
        
plt.show()