# 生成用于聚类的各向同性高斯blob
sklearn.datasets.make_blobs（n_samples = 100，n_features = 2，center = 3，cluster_std = 1.0，center_box =（ - 10.0,10.0），shuffle = True，random_state = None）
参数
n_samples: int, optional (default=100)
待生成的样本的总数。
n_features: int, optional (default=2)
每个样本的特征数。
centers: int or array of shape [n_centers, n_features], optional (default=3)
要生成的样本中心（类别）数，或者是确定的中心点。
cluster_std: float or sequence of floats, optional (default=1.0)
每个类别的方差，例如我们希望生成2类数据，其中一类比另一类具有更大的方差，可以将cluster_std设置为[1.0,3.0]。
center_box: pair of floats (min, max), optional (default=(-10.0, 10.0))
中心随机生成时每个聚类中心的边界框。
shuffle：布尔值，可选（默认= True）
对样本进行随机播放。
random_state：int，RandomState实例或None，可选（default = None）
如果为int，random_state是随机数生成器使用的种子; 如果RandomState实例，random_state是随机数生成器; 如果为None，则随机数生成器是np.random使用的RandomState实例。
返回
X : array of shape [n_samples, n_features]
生成的样本数据集。
y : array of shape [n_samples]
样本数据集的标签。
例子
例如要生成5类数据（100个样本，每个样本有2个特征），代码如下
from sklearn.datasets import make_blobs from matplotlib import pyplot data, label = make_blobs(n_samples=100, n_features=2, centers=5) # 绘制样本显示 pyplot.scatter(data[:, 0], data[:, 1], c=label) pyplot.show()
如果希望为每个类别设置不同的方差，需要在上述代码中加入cluster_std参数：
from sklearn.datasets import make_blobs from matplotlib import pyplot data, label = make_blobs(n_samples=10, n_features=2, centers=3, cluster_std=[0.8, 2.5, 4.5]) # 绘制样本显示 pyplot.scatter(data[:, 0], data[:, 1], c=label) pyplot.show()
