使用python实现wkmeans算法

以下是使用 Python 实现 Weighted K-Means 算法的示例代码：

import numpy as np

def weighted_kmeans(X, k, w, max_iter=100):
    """
    X: 数据集，每一行代表一个样本
    k: 聚类簇数
    w: 样本权重
    max_iter: 最大迭代次数
    """
    n_samples, n_features = X.shape
    centroids = X[np.random.choice(n_samples, k, replace=False)]  # 随机初始化聚类中心
    for i in range(max_iter):
        # 计算每个样本到每个聚类中心的距离
        distances = np.sqrt(((X - centroids[:, np.newaxis])**2).sum(axis=2))
        # 计算样本权重与距离的乘积
        weighted_distances = distances * w[:, np.newaxis]
        # 将每个样本分配到距离最近的聚类中心
        labels = np.argmin(weighted_distances, axis=0)
        # 更新聚类中心
        for j in range(k):
            centroids[j] = np.average(X[labels == j], axis=0, weights=w[labels == j])
    return centroids, labels

其中 `X` 表示数据集，每一行代表一个样本。`k` 表示聚类簇数，`w` 表示样本权重。`max_iter` 表示最大迭代次数。函数返回聚类中心和每个样本的类别标签。