kmeans聚类算法python程序

下面是一个简单的K-Means聚类算法的Python实现：

import numpy as np
import matplotlib.pyplot as plt

def kmeans(X, K, max_iters=100):
    """
    K-Means聚类算法
    :param X: 样本矩阵，每一行代表一个样本
    :param K: 聚类数
    :param max_iters: 最大迭代次数
    :return: 聚类结果
    """
    m, n = X.shape

    # 随机初始化聚类中心
    centroids = X[np.random.choice(m, K, replace=False), :]
    idx = np.zeros(m)

    for i in range(max_iters):
        # 计算每个样本到聚类中心的距离
        for j in range(m):
            distances = np.linalg.norm(X[j] - centroids, axis=1)
            idx[j] = np.argmin(distances)

        # 更新聚类中心
        for k in range(K):
            centroids[k] = np.mean(X[idx == k], axis=0)

    return idx

# 生成随机数据
X = np.random.rand(100, 2)

# 聚类
idx = kmeans(X, 3)

# 绘制聚类结果
colors = ['r', 'g', 'b']
for k in range(3):
    plt.scatter(X[idx == k, 0], X[idx == k, 1], c=colors[k])
plt.show()

其中，`X`为样本矩阵，每一行代表一个样本；`K`为聚类数；`max_iters`为最大迭代次数。函数返回一个长度为`m`的数组`idx`，代表每个样本所属的聚类。在上述代码中，我们生成了一个随机的二维数据集，并使用K-Means聚类算法将其分为3类，最后绘制了聚类结果。