写一段用java实现K-means聚类分析代码

好的，以下是一段使用Java实现K-means聚类分析的示例代码：

import java.util.ArrayList;
import java.util.List;
import java.util.Random;

public class KMeansClustering {

    private int k; // 聚类数
    private List<Instance> instances; // 数据集
    private List<Cluster> clusters; // 聚类集合

    public KMeansClustering(int k, List<Instance> instances) {
        this.k = k;
        this.instances = instances;
        this.clusters = new ArrayList<>();
    }

    // 随机初始化聚类中心
    private void initClusters() {
        Random random = new Random();
        for (int i = 0; i < k; i++) {
            int index = random.nextInt(instances.size());
            Cluster cluster = new Cluster(i, instances.get(index));
            clusters.add(cluster);
        }
    }

    // 计算某个实例到某个聚类中心的距离
    private double distance(Instance instance, Cluster cluster) {
        double sum = 0;
        for (int i = 0; i < instance.getFeatures().size(); i++) {
            double diff = instance.getFeatures().get(i) - cluster.getCenter().getFeatures().get(i);
            sum += diff * diff;
        }
        return Math.sqrt(sum);
    }

    // 计算所有实例到所有聚类中心的距离
    private void calculateDistances() {
        for (Instance instance : instances) {
            for (Cluster cluster : clusters) {
                double dist = distance(instance, cluster);
                cluster.addDistance(instance, dist);
            }
        }
    }

    // 重新计算聚类中心
    private void calculateCenters() {
        for (Cluster cluster : clusters) {
            cluster.calculateCenter();
        }
    }

    // 清空聚类中的实例
    private void clearClusters() {
        for (Cluster cluster : clusters) {
            cluster.clearInstances();
        }
    }

    // 分配实例到最近的聚类中心
    private void assignInstances() {
        for (Instance instance : instances) {
            Cluster nearestCluster = null;
            double minDist = Double.MAX_VALUE;
            for (Cluster cluster : clusters) {
                double dist = cluster.getDistance(instance);
                if (dist < minDist) {
                    nearestCluster = cluster;
                    minDist = dist;
                }
            }
            nearestCluster.addInstance(instance);
        }
    }

    // 进行K-means聚类分析
    public void cluster() {
        initClusters();
        int iteration = 0;
        while (iteration < 100) { // 最多迭代100次
            clearClusters();
            calculateDistances();
            assignInstances();
            calculateCenters();
            iteration++;
        }
    }

    // 获取聚类结果
    public List<Cluster> getClusters() {
        return clusters;
    }
}

上述代码实现了K-means聚类分析的核心算法，包括随机初始化聚类中心、计算距离、重新计算聚类中心、分配实例等步骤。在实现过程中，我们还定义了Instance和Cluster两个类，分别表示数据集中的实例和聚类中心。

使用该代码进行聚类分析的示例代码如下：

import java.util.ArrayList;
import java.util.List;

public class Main {

    public static void main(String[] args) {
        // 构造数据集
        List<Instance> instances = new ArrayList<>();
        instances.add(new Instance("A", 1, 2));
        instances.add(new Instance("B", 2, 1));
        instances.add(new Instance("C", 3, 4));
        instances.add(new Instance("D", 4, 3));
        instances.add(new Instance("E", 5, 6));
        instances.add(new Instance("F", 6, 5));

        // 进行聚类分析
        KMeansClustering kMeans = new KMeansClustering(2, instances);
        kMeans.cluster();

        // 输出聚类结果
        List<Cluster> clusters = kMeans.getClusters();
        for (Cluster cluster : clusters) {
            System.out.println("Cluster " + cluster.getId() + ":");
            for (Instance instance : cluster.getInstances()) {
                System.out.println(instance.getName() + " (" + instance.getFeatures().get(0) + ", " + instance.getFeatures().get(1) + ")");
            }
        }
    }
}

以上示例代码演示了如何使用KMeansClustering类进行聚类分析，并输出了聚类结果。在实际应用中，可以将数据集从文件中读取，并根据需要设置聚类数等参数。