k-means聚类算法python实验

好的，让我们来实现一下k-means聚类算法的Python代码吧！
首先，我们需要导入一些必要的库，包括numpy、matplotlib和sklearn等：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs

接下来，我们可以使用make_blobs函数生成一些随机数据来测试我们的聚类算法。这些数据的特征数量为2，聚类数量为3，标准差为1.0：

# 生成随机数据
X, y = make_blobs(n_samples=300, centers=3, n_features=2, cluster_std=1.0, random_state=42)

然后，我们可以使用matplotlib将数据可视化，看一看数据的分布情况：

# 将生成的数据可视化
plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='viridis')
plt.show()

接下来，我们可以实现k-means算法的核心部分。首先，我们需要定义一个函数来计算两个向量之间的欧几里得距离：

def euclidean_distance(x1, x2):
    return np.sqrt(np.sum((x1 - x2)**2))

然后，我们可以定义k-means算法的主要函数。该函数需要指定数据集X、聚类数量k和最大迭代次数max_iter：

def k_means(X, k, max_iter=100):
    # 随机初始化k个质心
    centroids = X[np.random.choice(len(X), k, replace=False)]
    
    # 进行最大max_iter次迭代
    for i in range(max_iter):
        # 计算每个样本到k个质心的距离
        distances = []
        for j in range(k):
            distances.append(euclidean_distance(X, centroids[j]))
        distances = np.array(distances).T
        
        # 将样本划分到距离最近的质心所在的簇中
        labels = np.argmin(distances, axis=1)
        
        # 更新每个簇的质心
        for j in range(k):
            centroids[j] = np.mean(X[labels == j], axis=0)
    
    return labels, centroids

最后，我们可以调用k-means函数来进行聚类，然后再次使用matplotlib将聚类结果可视化：

# 运行k-means算法
labels, centroids = k_means(X, k=3)

# 将聚类结果可视化
plt.scatter(X[:, 0], X[:, 1], c=labels, s=50, cmap='viridis')
plt.scatter(centroids[:, 0], centroids[:, 1], c='black', s=200, alpha=0.5)
plt.show()

这样，我们就完成了k-means聚类算法的Python实验！