k-means python代码

### 回答1：
下面是一个简单的使用Python实现的K-Means算法的代码：

import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据
np.random.seed(0)
X = np.random.randn(100, 2)

# 初始化聚类中心
k = 3
centers = X[:k, :]

# 迭代更新聚类中心
while True:
    # 计算每个样本与聚类中心的距离
    distances = np.sqrt(((X - centers[:, np.newaxis]) ** 2).sum(axis=2))
    
    # 分配样本到最近的聚类中心
    labels = distances.argmin(axis=0)
    
    # 更新聚类中心
    new_centers = np.array([X[labels == i].mean(axis=0) for i in range(k)])
    
    # 判断是否收敛
    if np.all(centers == new_centers):
        break
    centers = new_centers

# 可视化聚类结果
plt.scatter(X[:, 0], X[:, 1], c=labels)
plt.scatter(centers[:, 0], centers[:, 1], marker='*', s=200, c='r')
plt.show()

上述代码中，我们首先生成了一个二维的随机数据集X，然后初始化了三个聚类中心，接着进行了迭代更新聚类中心的过程，直到聚类中心不再变化为止。最后，我们用matplotlib库将聚类结果可视化出来。

### 回答2：
K-means是一种常用的聚类算法，它通过将数据样本分配给K个不同的聚类中心，以使样本与所属聚类中心的距离之和最小化。以下是一个简单的K-means算法的Python代码示例：

import numpy as np
from sklearn.cluster import KMeans

# 创建样本数据
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])

# 定义K-means模型
kmeans = KMeans(n_clusters=2, random_state=0)

# 训练模型
kmeans.fit(X)

# 获取聚类中心
centroids = kmeans.cluster_centers_

# 输出每个样本所属的聚类
labels = kmeans.labels_

# 打印结果
print('聚类中心：', centroids)
print('每个样本的聚类：', labels)

上述代码中，我们首先导入所需的库，然后定义了一个包含6个样本数据的矩阵X。接下来，我们创建了一个K-means聚类模型，其中n_clusters参数设置为2，表示我们希望将样本聚类成两个簇。然后，我们使用fit方法训练模型，并通过cluster_centers_属性获取聚类中心的坐标。最后，我们通过labels_属性获取每个样本所属的聚类簇的标签。

运行代码后，我们会得到类似以下的输出结果：

聚类中心： [[1. 2.]
 [4. 2.]]
每个样本的聚类： [0 1 0 0 1 0]

说明了样本的聚类中心分别是[1, 2]和[4, 2]，每个样本所属的聚类分别是0、1、0、0、1、0。

### 回答3：
k-means是一种常用的聚类算法，可以对数据进行分类。下面是一个基于Python实现的简单的k-means代码示例：

import numpy as np

def kmeans(X, k, max_iters=100):
    n_samples, n_features = X.shape
    
    # 随机初始化k个簇中心
    centroids = X[np.random.choice(n_samples, k, replace=False)]
    
    for _ in range(max_iters):
        # 为每个样本找到最近的簇中心
        distances = np.linalg.norm(X[:, np.newaxis] - centroids, axis=-1)
        labels = np.argmin(distances, axis=1)
        
        # 更新簇中心为每个簇中样本的均值
        new_centroids = np.array([X[labels == i].mean(axis=0) for i in range(k)])
        
        # 如果簇中心没有变化，停止迭代
        if np.all(centroids == new_centroids):
            break
        
        centroids = new_centroids
    
    return labels

# 示例数据
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])
k = 2

# 调用k-means算法
labels = kmeans(X, k)
print(labels)

该代码首先随机初始化k个簇中心，然后通过迭代的方式进行更新。在每次迭代中，首先计算每个样本到所有簇中心的欧式距离，然后为每个样本分配最近的簇标签。接下来，更新每个簇的中心为该簇中所有样本的均值。如果簇中心没有变化，则停止迭代。最后，返回每个样本所属的簇标签。

在示例代码中，我们使用一个简单的2维数据作为示例。调用`kmeans`函数进行聚类，并打印每个样本所属的簇标签。运行代码后可以看到输出结果为`[0 0 0 1 1 1]`，表示前三个样本属于第一个簇，后三个样本属于第二个簇。