如何用python实现kmeans

以下是Python中K-Means聚类算法的实现示例：

import numpy as np
import matplotlib.pyplot as plt

def kmeans(X, K, max_iters):
    # 随机初始化K个聚类中心
    centroids = X[np.random.choice(range(len(X)), K), :]
    
    # 迭代
    for i in range(max_iters):
        # 计算每个样本到聚类中心的距离
        distances = np.sqrt(((X - centroids[:, np.newaxis])**2).sum(axis=2))
        
        # 分配每个样本到最近的聚类中心
        cluster_assignment = np.argmin(distances, axis=0)
        
        # 更新聚类中心
        for j in range(K):
            centroids[j, :] = np.mean(X[cluster_assignment == j, :], axis=0)
    
    return centroids, cluster_assignment

# 生成数据
np.random.seed(0)
X = np.vstack([np.random.randn(10, 2) + [i * 5, i * 5] for i in range(5)])

# 调用K-Means算法
centroids, cluster_assignment = kmeans(X, K=5, max_iters=100)

# 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=cluster_assignment)
plt.scatter(centroids[:, 0], centroids[:, 1], marker='^', s=200, linewidths=3, color='r')
plt.show()

此代码使用Numpy和Matplotlib库实现了一个简单的K-Means聚类算法。给定数据集X，K和最大迭代次数，它将随机初始化K个聚类中心，并在每个迭代中计算每个样本到聚类中心的距离，将每个样本分配到最近的聚类中心，并更新聚类中心。最终，它返回聚类中心和每个样本分配到的聚类。聚类结果可视化在散点图中。