实现k—means聚类算法代码

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个不同的类别。实现K-means算法的代码通常包括以下几个步骤：

1. 初始化K个聚类中心点，可以随机选择数据集中的K个点作为初始中心点。

2. 对于每个数据点，计算它与K个聚类中心点的距离，并将该数据点分配给距离最近的中心点所对应的类别。

3. 更新K个聚类中心点的位置，将每个类别中的数据点的平均值作为新的聚类中心点。

4. 重复步骤2和步骤3，直到聚类中心点的位置不再发生变化或者达到预设的迭代次数。

以下是一个简单的用Python实现的K-means聚类算法代码示例：

import numpy as np
from sklearn.datasets import make_blobs

# 生成随机数据集
X, _ = make_blobs(n_samples=300, centers=4, cluster_std=0.60, random_state=0)

# 初始化聚类中心点
k = 4
centers = X[:k, :]

# 迭代更新聚类中心点
for i in range(100):
    # 计算每个数据点到聚类中心点的距离
    distances = np.sqrt(np.sum((X - centers[:, np.newaxis])**2, axis=2))
    # 将每个数据点分配给最近的聚类中心点
    labels = np.argmin(distances, axis=0)
    # 更新聚类中心点的位置
    new_centers = np.array([X[labels == j].mean(axis=0) for j in range(k)])
    
    # 如果聚类中心点的位置不再发生变化，停止迭代
    if np.all(centers == new_centers):
        break
    centers = new_centers

print(centers)

上述代码中，我们首先生成了一个随机数据集X，然后初始化了4个聚类中心点。接下来，通过迭代计算每个数据点与聚类中心点的距离，将数据点分配给最近的中心点，并更新聚类中心点的位置，直到满足条件结束迭代。最终打印出了最终的聚类中心点的位置。