python 读取csv文件中心点算法代码

以下是使用Python读取CSV文件并实现K中心点算法的代码示例：

import csv
import random
import math

# 读取CSV文件
def read_csv(filename):
    data = []
    with open(filename, 'r') as csvfile:
        reader = csv.reader(csvfile)
        for row in reader:
            data.append([float(x) for x in row])
    return data

# 计算两个点之间的欧几里得距离
def distance(p1, p2):
    return math.sqrt(sum([(p1[i]-p2[i])**2 for i in range(len(p1))]))

# 找到最远的点作为新的聚类中心
def find_farthest_point(data, centers):
    max_distance = 0
    farthest_point = None
    for point in data:
        if point not in centers:
            min_distance = min([distance(point, center) for center in centers])
            if min_distance > max_distance:
                max_distance = min_distance
                farthest_point = point
    return farthest_point

# K中心点算法
def k_center(data, k):
    # 随机选择一个点作为第一个聚类中心
    centers = [random.choice(data)]
    while len(centers) < k:
        # 找到最远的点作为新的聚类中心
        farthest_point = find_farthest_point(data, centers)
        centers.append(farthest_point)
    # 分配数据点到聚类中心
    clusters = [[] for i in range(k)]
    for point in data:
        distances = [distance(point, center) for center in centers]
        cluster_index = distances.index(min(distances))
        clusters[cluster_index].append(point)
    return centers, clusters

# 测试代码
if __name__ == '__main__':
    data = read_csv('data.csv')
    centers, clusters = k_center(data, 3)
    print('聚类中心:', centers)
    for i, cluster in enumerate(clusters):
        print('聚类', i+1, ':', cluster)

在这个示例中，我们首先使用`read_csv`函数读取CSV文件中的数据。然后，我们定义了`distance`函数来计算两个点之间的欧几里得距离，`find_farthest_point`函数来找到距离聚类中心最远的点，以及`k_center`函数来实现K中心点算法。最后，我们使用`centers`和`clusters`变量来存储聚类中心和聚类结果，并输出它们。

请注意，这只是一个简单的示例，实际应用中可能需要对算法进行优化。例如，可以使用KD树等数据结构来加速计算距离。