c语言写k_means

K-means算法是一种常用的无监督机器学习聚类方法，用于将数据集划分为预定数量的类别。在C语言中编写K-means算法需要一些数学基础和对循环、数组操作的理解。以下是基本步骤的简化版伪代码：

#include <stdio.h>
#include <stdlib.h>
#include <math.h>

typedef struct {
    double x, y; // 数据点坐标
} Point;

// 计算两点之间的距离
double distance(Point a, Point b) {
    return sqrt(pow(a.x - b.x, 2) + pow(a.y - b.y, 2));
}

// 将点分配到最近的簇
void assign_to_cluster(Point *points, int n_points, int *clusters, int k, Cluster **centroids) {
    for (int i = 0; i < n_points; ++i) {
        int min_distance = INT_MAX;
        int closest_centroid = -1;
        for (int j = 0; j < k; ++j) {
            if (distance(points[i], centroids[j].center) < min_distance) {
                min_distance = distance(points[i], centroids[j].center);
                closest_centroid = j;
            }
        }
        clusters[i] = closest_centroid;
    }
}

// 更新簇中心
void update_centroids(Point *points, int *clusters, int n_points, int k, Cluster **centroids) {
    for (int i = 0; i < k; ++i) {
        centroids[i].count = 0;
        centroids[i].center.x = centroids[i].center.y = 0;
        
        for (int j = 0; j < n_points; ++j) {
            if (clusters[j] == i) {
                centroids[i].count++;
                centroids[i].center.x += points[j].x;
                centroids[i].center.y += points[j].y;
            }
        }
        
        if (centroids[i].count > 0) {
            centroids[i].center.x /= centroids[i].count;
            centroids[i].center.y /= centroids[i].count;
        } else {
            // 如果簇为空，则随机选择一个新的初始点作为新的中心
            // 这里省略实际处理空簇的部分
        }
    }
}

// 主函数
int main() {
    // 初始化数据点、簇数、簇中心等...
    int n_points = ...;
    int k = ...;
    Point *points = ...;
    Cluster centroids[k]; // 簇中心的结构体数组
    
    int *clusters = malloc(n_points * sizeof(int)); // 存储每个点所属的簇
    init_clusters(clusters); // 初始化簇分配

    // 迭代直到收敛（通常设置最大迭代次数）
    for (int iteration = 0; ; iteration++) {
        assign_to_cluster(points, n_points, clusters, k, centroids);
        update_centroids(points, clusters, n_points, k, centroids);

        // 检查是否达到收敛条件（如簇中心不再移动）
        if (converged(centroids)) {
            break;
        }
    }

    free(clusters); // 释放内存
    return 0;
}