用python写一个K-means聚类

算法的代码。

很高兴回答你的问题。以下是用 Python 编写 K-means 聚类算法的代码：

import numpy as np

def kmeans(X, k, max_iters=100):
    # 随机初始化 k 个聚类中心
    centroids = X[np.random.choice(len(X), k, replace=False)]
    
    for i in range(max_iters):
        # 计算每个样本点到聚类中心的距离
        distances = np.sqrt(((X - centroids[:, np.newaxis])**2).sum(axis=2))
        
        # 将每个样本点分配到距离最近的聚类中心
        labels = np.argmin(distances, axis=)
        
        # 更新聚类中心的位置
        for j in range(k):
            centroids[j] = X[labels == j].mean(axis=)
    
    return labels, centroids

希望这个代码能够帮助你实现 K-means 聚类算法。

相关问题

用python写一个k-means聚类处理多维数据的算法

好的，以下是一个用 Python 实现的 k-means 聚类算法处理多维数据的示例代码：

import numpy as np

def k_means(data, k, max_iter=100):
    # 随机初始化 k 个聚类中心
    centers = data[np.random.choice(len(data), k, replace=False)]
    for i in range(max_iter):
        # 计算每个样本到聚类中心的距离
        distances = np.linalg.norm(data[:, np.newaxis, :] - centers, axis=2)
        # 找到每个样本距离最近的聚类中心
        labels = np.argmin(distances, axis=1)
        # 更新聚类中心
        new_centers = np.array([data[labels == j].mean(axis=0) for j in range(k)])
        # 如果聚类中心不再变化，停止迭代
        if np.allclose(centers, new_centers):
            break
        centers = new_centers
    return labels, centers

这个函数接受一个二维的 numpy 数组 `data`，其中每一行表示一个样本，每一列表示一个特征。`k` 表示聚类的个数，`max_iter` 表示最大迭代次数。函数返回一个一维的 numpy 数组 `labels`，表示每个样本所属的聚类编号，以及一个二维的 numpy 数组 `centers`，表示每个聚类的中心点。

用python写一段k-means聚类算法代码

好的，以下是一段基于Python的K-Means聚类算法代码：

import random
import numpy as np
import matplotlib.pyplot as plt

# 生成测试数据
def generate_data(n, k):
    data = []
    for i in range(k):
        center = np.random.uniform(-10, 10, size=2)
        for j in range(n):
            x = np.random.normal(center[0], 1)
            y = np.random.normal(center[1], 1)
            data.append([x, y, i])
    return np.array(data)

# 计算两点之间的距离
def distance(point1, point2):
    return np.sqrt(np.sum((point1 - point2) ** 2))

# K-Means算法
def k_means(data, k, max_iter=100):
    # 随机选择k个中心点
    centers = data[random.sample(range(len(data)), k)][:, :-1]
    
    for i in range(max_iter):
        # 初始化每个簇的点
        clusters = [[] for _ in range(k)]
        
        # 分配每个点到最近的簇
        for point in data:
            distances = [distance(point[:-1], center) for center in centers]
            cluster_index = np.argmin(distances)
            clusters[cluster_index].append(point)
        
        # 更新每个簇的中心点
        for j in range(k):
            centers[j] = np.mean(clusters[j], axis=0)[:-1]
        
    return clusters, centers

# 绘制聚类结果
def plot_clusters(clusters, centers):
    plt.figure(figsize=(8, 6))
    colors = ['r', 'g', 'b', 'c', 'm', 'y', 'k']
    
    for i in range(len(clusters)):
        cluster = np.array(clusters[i])
        plt.scatter(cluster[:, 0], cluster[:, 1], c=colors[i], alpha=0.5)
        
    plt.scatter(centers[:, 0], centers[:, 1], s=100, marker='*', c='black')
    plt.show()

# 测试
data = generate_data(100, 3)
clusters, centers = k_means(data, 3)
plot_clusters(clusters, centers)

在此代码中，我们首先生成了一些测试数据，然后使用K-Means算法将其聚类成k个簇，并绘制聚类结果。在该算法中，我们首先随机选择k个中心点，然后迭代地将每个点分配到最近的簇中，并更新每个簇的中心点。最终，我们返回每个簇的点和中心点，并绘制聚类结果。