K-means clustering python实现代码

可以回答这个问题。以下是一个简单的K-means聚类算法的Python实现代码：

import numpy as np

def k_means(X, k, max_iters=100):
    # 随机初始化聚类中心
    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=0)
        
        # 更新聚类中心
        for j in range(k):
            centroids[j] = X[labels == j].mean(axis=0)
    
    return labels, centroids

这个函数接受一个数据矩阵X，一个聚类数k和一个最大迭代次数max_iters作为参数，返回一个长度为X.shape[0]的标签数组和一个k x X.shape[1]的聚类中心矩阵。

相关问题

K-Means聚类算法python实现代码

### 回答1：

K-Means聚类算法是一种用于对数据进行分组的机器学习算法，它可以帮助我们根据数据特征将相似的数据分为几类。Python实现K-Means聚类算法的代码大致如下：import numpy as np
from sklearn.cluster import KMeans# 加载数据
data = np.loadtxt("data.txt", delimiter=",")# 创建KMeans模型
kmeans = KMeans(n_clusters=3)# 训练模型
kmeans.fit(data)# 聚类中心
centers = kmeans.cluster_centers_# 结果标签
labels = kmeans.labels_

### 回答2：
K-Means是一种常用的聚类算法，用于将数据集中的元素划分为K个不同的组或类。以下是K-Means聚类算法的Python实现代码示例：

import numpy as np

class KMeans:
    def __init__(self, k=2, max_iters=100):
        self.k = k
        self.max_iters = max_iters
        
    def fit(self, X):
        self.centroids = self._initialize_centroids(X)
        
        for _ in range(self.max_iters):
            clusters = [[] for _ in range(self.k)]
            
            # Assign each data point to the nearest centroid
            for xi in X:
                distances = [np.linalg.norm(xi - centroid) for centroid in self.centroids]
                cluster_index = np.argmin(distances)
                clusters[cluster_index].append(xi)
            
            # Update centroids
            prev_centroids = np.copy(self.centroids)
            for i in range(self.k):
                self.centroids[i] = np.mean(clusters[i], axis=0)
            
            # Break loop if centroids do not change
            if np.allclose(prev_centroids, self.centroids):
                break
        
    def predict(self, X):
        return [np.argmin([np.linalg.norm(xi - centroid) for centroid in self.centroids]) for xi in X]
    
    def _initialize_centroids(self, X):
        indices = np.random.choice(range(len(X)), size=self.k, replace=False)
        return X[indices]

以上代码实现了一个简单的K-Means聚类算法。`fit`方法用于训练模型，`predict`方法用于进行预测。在训练过程中，首先随机选择K个初始质心，然后迭代更新每个样本的簇分配，直到达到最大迭代次数或质心不再发生变化。最后，预测时根据最近的质心将新的样本点分配到对应的簇中。

请注意，这只是一个简单的K-Means实现，它可能不具有较强的鲁棒性和效率。实际应用中，可以考虑使用成熟的机器学习库中的K-Means实现，如Scikit-learn等。

### 回答3：
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个不同的簇。下面是Python中实现K-Means聚类算法的代码示例：

import numpy as np

def kmeans(data, K, max_iters=100):
    # 随机初始化K个中心点
    centers = data[np.random.choice(range(len(data)), K, replace=False)]
    
    for _ in range(max_iters):
        # 计算每个样本与中心点的欧式距离
        dists = np.linalg.norm(data[:,:,np.newaxis] - centers.T[np.newaxis,:,:], axis=1)
        
        # 根据距离将样本分配到最近的簇
        labels = np.argmin(dists, axis=1)
        
        # 更新每个簇的中心点为该簇所有样本的平均值
        centers_new = np.array([data[labels == k].mean(axis=0) for k in range(K)])
        
        # 判断中心点是否稳定不变，若不变则停止迭代
        if np.all(centers == centers_new):
            break
        
        centers = centers_new
    
    return labels, centers

# 测试数据
data = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])

# 调用K-Means算法进行聚类
labels, centers = kmeans(data, K=2)

# 打印聚类结果
print("聚类结果：", labels)
print("聚类中心点：", centers)

上述代码实现了K-Means聚类算法，其中`data`表示输入的数据集，`K`表示要划分的簇的数量。`kmeans`函数使用随机初始化的中心点，迭代计算样本与中心点的距离，并将样本分配到最近的簇。然后更新每个簇的中心点为该簇所有样本的平均值，直到中心点不再改变或达到最大迭代次数为止。最后返回每个样本所属的簇以及最终的中心点。

k-means聚类python代码

以下是一个简单的k-means聚类的Python代码示例：

import numpy as np
from sklearn.cluster import KMeans

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

# k-means 聚类
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)

# 聚类结果
print(kmeans.labels_)

在这个例子中，我们生成了一个 6x2 的数据集 X，其中每一行代表一个样本点。我们使用 sklearn 库中的 KMeans 类执行聚类，将数据分成两个集群。最后，我们打印出每个样本点所属的类别标签。

请注意，k-means算法会在每次运行时给出不同的结果，因为它的初始化是随机的。因此，我们可以通过设置 random_state 参数来控制随机种子，以便在每次运行时获得相同的结果。