用python写一个K-means聚类
时间: 2023-03-31 10:01:58 浏览: 74
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:
```python
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:
```python
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:
```python
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。