回顾：配送区域

本课属于 Coddy Machine Learning 学习旅程的“无监督学习”单元。第 10 课，共 51 课。

挑战

简单

还记得打开本章时看到的区域地图吗？现在画一张属于你的地图。某家面包店的货车要服务 150 个停靠点，而 stops.csv 中的东向距离以 km 为单位，北向距离以米为单位。

缩放两列数据。
对从 2 到 7 的每个 k，在缩放后的数据行上拟合 KMeans；输出它的惯性（保留 1 位小数）和轮廓系数（保留 3 位小数）。然后输出轮廓系数最高的 k。
用实际单位绘制该 k 对应的区域：每个区域的停靠点都要标出数量，例如 50 stops；在每个区域的均值处标出黑色星号，并添加图例。

另一个城市的结果：

k = 2: inertia 109.5, silhouette 0.535
k = 3: inertia 22.8, silhouette 0.737
k = 4: inertia 18.3, silhouette 0.597
k = 5: inertia 14.5, silhouette 0.443
k = 6: inertia 12.7, silhouette 0.368
k = 7: inertia 11.2, silhouette 0.364
Zones: 3

以及它的地图：

标题为 Delivery Zones 的地图，横轴为东向距离（km），纵轴为北向距离（米）：有三个停靠点区域，左下方 45 个，右上方 40 个，右下方 25 个；每个区域中间都有一个黑色星号，图例以停靠点数量标出各个区域

然后 Coddy 会描述你的地图。

亲手试试

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import silhouette_score

# 每个配送站点占一行：向东距离以 km 为单位，向北距离以米为单位（旧系统使用的单位）
stops = pd.read_csv("stops.csv")
X = stops[["east_km", "north_m"]]

fig, ax = plt.subplots()
ax.set_title("Delivery Zones")
ax.set_xlabel("East (km)")
ax.set_ylabel("North (m)")

# 在下方编写你的代码