如下程序是Mini-Batch-KMeans算法的一个实例。应用的数据集为sklearn中的make_blobs的2000个数据点，在实际聚类中，每批使用200个数据点，最佳聚类数目为四类。程序分别实现了将数据点聚为两类的情况、聚为三类的情况、聚为四类的情况、聚为五类的情况，并用Caliski-Harabasz系数进行聚类效果的评估。
#导入必要的包。
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import MiniBatchKMeans
from sklearn import metrics
from sklearn.datasets.samples_generator import make_blobs
# X为样本特征，Y为样本簇类别， 共2000个样本，每个样本2个特征，共4个簇，
#簇中心在[-2,-2], [0,0],[1,1], [3,3]， 簇方差分别为[0.4, 0.2, 0.2,0.2]
X, y = make_blobs(n_samples=2000, n_features=2, centers=[[-2,-2],
[0,0], [1,1], [3,3]], cluster_std=[0.4, 0.2, 0.2, 0.2],
random_state =9)
plt.scatter(X[:, 0], X[:, 1], marker='o')
#分别将数据点聚为2-5类，每批数据量设置为200，并用CH系数评估聚类效果。
for index, k in enumerate((2,3,4,5)):
plt.subplot(2,2,index+1)
y_pred = MiniBatchKMeans(n_clusters=k, batch_size = 200,random_state=9).fit_predict(X)
score= metrics.calinski_harabaz_score(X,y_pred)
plt.scatter(X[:, 0], X[:, 1], c=y_pred)
plt.text(.99, .01, ('k=%d, score: %.2f' % (k,score)),transform=plt.gca().transAxes, size=10,
horizontalalignment='right')
plt.show()
