用python写一个K-means的代码

好的，下面是一个简单的 Python 实现 K-means 算法的代码：

import numpy as np

# K-means函数
def k_means(X, K, max_iters=10):
    # 随机初始化K个中心点
    centroids = X[np.random.choice(X.shape[0], K), :]
    # 初始化聚类结果
    clusters = np.zeros(X.shape[0])
    
    for i in range(max_iters):
        # 计算每个点与中心点的距离
        distances = np.sqrt(((X - centroids[:, np.newaxis])**2).sum(axis=2))
        # 根据距离分配聚类
        clusters = np.argmin(distances, axis=0)
        # 更新中心点
        centroids = np.array([X[clusters == k].mean(axis=0) for k in range(K)])

    return clusters, centroids

其中，`X` 是一个二维数组，每一行表示一个样本，每一列表示一个特征；`K` 是聚类数；`max_iters` 是最大迭代次数。返回值是一个元组，第一个元素是聚类结果，每个样本对应一个聚类编号；第二个元素是最终的中心点坐标。

相关问题

用python写一个k-means数据挖掘代码

好的，以下是一个简单的 Python K-Means 数据挖掘代码：

import numpy as np
from sklearn.cluster import KMeans

# 准备数据
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])

# 使用 K-Means 进行聚类
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)

# 打印聚类结果
print(kmeans.labels_)

这个代码可以将数据 X 分成两个簇。当然，你也可以根据自己的需要修改代码中的参数来实现更复杂的聚类。

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。