k-means聚类算法python代码

以下是 k-means 聚类算法的 Python 代码：

import numpy as np
from sklearn.cluster import KMeans

# 生成随机数据
data = np.random.rand(100, 2)

# 聚类
kmeans = KMeans(n_clusters=3)
kmeans.fit(data)

# 输出聚类结果
print(kmeans.labels_)

这段代码可以生成 100 个二维随机数据，并使用 k-means 算法将其聚为 3 类。最后输出每个数据点所属的类别。

相关问题

k-means聚类算法python代码并对算法进行性能分析

以下是使用Python实现k-means聚类算法的代码：

import numpy as np
import random

def k_means(data, k, max_iter):
    # 随机选择k个中心点
    centers = random.sample(data, k)
    for i in range(max_iter):
        # 初始化簇
        clusters = [[] for _ in range(k)]
        for point in data:
            # 计算每个点到中心点的距离
            distances = [np.linalg.norm(point - center) for center in centers]
            # 将点分配到距离最近的簇
            cluster_index = np.argmin(distances)
            clusters[cluster_index].append(point)
        # 更新中心点为簇内所有点的平均值
        new_centers = []
        for cluster in clusters:
            if cluster:
                new_centers.append(np.mean(cluster, axis=0))
            else:
                # 如果簇内没有点，随机选择一个点作为中心点
                new_centers.append(random.choice(data))
        # 如果中心点不再改变，算法收敛
        if np.allclose(centers, new_centers):
            break
        centers = new_centers
    return clusters, centers

下面是对算法的性能分析：

- 时间复杂度：k-means算法的时间复杂度为O(k*n*i)，其中k为簇的个数，n为数据点的数量，i为迭代次数。在实际应用中，通常迭代次数不超过20次，因此时间复杂度主要由簇的个数和数据点的数量决定。当k较大时，算法的时间复杂度也会增加。
- 空间复杂度：k-means算法的空间复杂度为O(k*n)，主要消耗在存储数据点和簇的信息上。
- 算法的优点：k-means算法简单易实现，对于大规模数据集有较好的可扩展性。
- 算法的缺点：k-means算法需要预先确定簇的个数，且对初始中心点的选择较为敏感，容易陷入局部最优解。同时，k-means算法对于不同形状、密度的簇难以处理。

K-Means聚类算法python实现代码

### 回答1：

K-Means聚类算法是一种用于对数据进行分组的机器学习算法，它可以帮助我们根据数据特征将相似的数据分为几类。Python实现K-Means聚类算法的代码大致如下：import numpy as np
from sklearn.cluster import KMeans# 加载数据
data = np.loadtxt("data.txt", delimiter=",")# 创建KMeans模型
kmeans = KMeans(n_clusters=3)# 训练模型
kmeans.fit(data)# 聚类中心
centers = kmeans.cluster_centers_# 结果标签
labels = kmeans.labels_

### 回答2：
K-Means是一种常用的聚类算法，用于将数据集中的元素划分为K个不同的组或类。以下是K-Means聚类算法的Python实现代码示例：

import numpy as np

class KMeans:
    def __init__(self, k=2, max_iters=100):
        self.k = k
        self.max_iters = max_iters
        
    def fit(self, X):
        self.centroids = self._initialize_centroids(X)
        
        for _ in range(self.max_iters):
            clusters = [[] for _ in range(self.k)]
            
            # Assign each data point to the nearest centroid
            for xi in X:
                distances = [np.linalg.norm(xi - centroid) for centroid in self.centroids]
                cluster_index = np.argmin(distances)
                clusters[cluster_index].append(xi)
            
            # Update centroids
            prev_centroids = np.copy(self.centroids)
            for i in range(self.k):
                self.centroids[i] = np.mean(clusters[i], axis=0)
            
            # Break loop if centroids do not change
            if np.allclose(prev_centroids, self.centroids):
                break
        
    def predict(self, X):
        return [np.argmin([np.linalg.norm(xi - centroid) for centroid in self.centroids]) for xi in X]
    
    def _initialize_centroids(self, X):
        indices = np.random.choice(range(len(X)), size=self.k, replace=False)
        return X[indices]

以上代码实现了一个简单的K-Means聚类算法。`fit`方法用于训练模型，`predict`方法用于进行预测。在训练过程中，首先随机选择K个初始质心，然后迭代更新每个样本的簇分配，直到达到最大迭代次数或质心不再发生变化。最后，预测时根据最近的质心将新的样本点分配到对应的簇中。

请注意，这只是一个简单的K-Means实现，它可能不具有较强的鲁棒性和效率。实际应用中，可以考虑使用成熟的机器学习库中的K-Means实现，如Scikit-learn等。

### 回答3：
K-Means聚类算法是一种常用的无监督学习算法，用于将数据集划分为K个不同的簇。下面是Python中实现K-Means聚类算法的代码示例：

import numpy as np

def kmeans(data, K, max_iters=100):
    # 随机初始化K个中心点
    centers = data[np.random.choice(range(len(data)), K, replace=False)]
    
    for _ in range(max_iters):
        # 计算每个样本与中心点的欧式距离
        dists = np.linalg.norm(data[:,:,np.newaxis] - centers.T[np.newaxis,:,:], axis=1)
        
        # 根据距离将样本分配到最近的簇
        labels = np.argmin(dists, axis=1)
        
        # 更新每个簇的中心点为该簇所有样本的平均值
        centers_new = np.array([data[labels == k].mean(axis=0) for k in range(K)])
        
        # 判断中心点是否稳定不变，若不变则停止迭代
        if np.all(centers == centers_new):
            break
        
        centers = centers_new
    
    return labels, centers

# 测试数据
data = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])

# 调用K-Means算法进行聚类
labels, centers = kmeans(data, K=2)

# 打印聚类结果
print("聚类结果：", labels)
print("聚类中心点：", centers)

上述代码实现了K-Means聚类算法，其中`data`表示输入的数据集，`K`表示要划分的簇的数量。`kmeans`函数使用随机初始化的中心点，迭代计算样本与中心点的距离，并将样本分配到最近的簇。然后更新每个簇的中心点为该簇所有样本的平均值，直到中心点不再改变或达到最大迭代次数为止。最后返回每个样本所属的簇以及最终的中心点。