k均值聚类c语言代码

k均值聚类是一种常用的无监督学习算，用于将数据集划分为k个不同的簇。下面是一个简单的k均值聚类的C语言代码示例：

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

#define MAX_ITERATIONS 100

// 计算两个点之间的欧氏距离
double distance(double x1, double y1, double x2, double y2) {
    return sqrt(pow((x1 - x2), 2) + pow((y1 - y2), 2));
}

// 执行k均值聚类算法
void kmeans(double data[], int n, int k, double centroids[]) {
    int i, j, iteration, cluster;
    double minDistance, currentDistance;
    double sumX, sumY, count;
    int clusterCounts[k];

    // 初始化聚类中心
    for (i = 0; i < k; i++) {
        centroids[i] = data[i];
        centroids[i] = data[i];
    }

    // 迭代更新聚类中心
    for (iteration = 0; iteration < MAX_ITERATIONS; iteration++) {
        // 初始化聚类计数器和聚类总和
        for (i = 0; i < k; i++) {
            clusterCounts[i] = 0;
            sumX = 0;
            sumY = 0;
        }

        // 分配数据点到最近的聚类中心
        for (i = 0; i < n; i++) {
            minDistance = distance(data[i], data[i], centroids[0], centroids);
            cluster = 0;

            for (j = 1; j < k; j++) {
                currentDistance = distance(data[i], data[i], centroids[j], centroids[j]);

                if (currentDistance < minDistance) {
                    minDistance = currentDistance;
                    cluster = j;
                }
            }

            // 更新聚类计数器和聚类总和
            clusterCounts[cluster]++;
            sumX += data[i];
            sumY += data[i];

            // 将数据点分配到聚类中心
            centroids[cluster] = sumX / clusterCounts[cluster];
            centroids[cluster] = sumY / clusterCounts[cluster];
        }
    }
}

int main() {
    int n, k, i;
    double data[] = {{1, 1}, {1, 2}, {2, 2}, {5, 5}, {6, 6}, {7, 7}};
    double centroids;

    n = sizeof(data) / sizeof(data);
    k = 2;

    kmeans(data, n, k, centroids);

    // 打印聚类中心
    printf("聚类中心：\n");
    for (i = 0; i < k; i++) {
        printf("(%lf, %lf)\n", centroids[i], centroids[i]);
    }

    return 0;
}

这段代码实现了一个简单的k均值聚类算法，其中`data`数组存储了待聚类的数据点，`n`表示数据点的数量，`k`表示要划分的簇的数量，`centroids`数组存储了最终的聚类中心。代码中使用欧氏距离来计算数据点之间的距离，并通过迭代更新聚类中心来完成聚类过程。最后，打印出聚类中心的坐标。