k-means聚类算法代码

以下是Python中k-means聚类算法的示例代码：

import numpy as np
import matplotlib.pyplot as plt

# 随机生成数据
np.random.seed(0)
X = np.vstack((np.random.randn(10, 2) + [2, 2], np.random.randn(10, 2) + [0, -2], np.random.randn(10, 2) + [-2, 2]))

# 定义k-means算法
def kmeans(X, k):
    # 随机初始化质心
    centroids = X[np.random.choice(X.shape[0], k, replace=False)]
    while True:
        # 计算每个点到质心的距离
        distances = np.sqrt(((X - centroids[:, np.newaxis])**2).sum(axis=2))
        # 找到距离最近的质心
        labels = np.argmin(distances, axis=0)
        # 更新质心
        new_centroids = np.array([X[labels == i].mean(axis=0) for i in range(k)])
        # 如果质心不再变化，则停止迭代
        if np.all(centroids == new_centroids):
            break
        centroids = new_centroids
    return labels, centroids

# 调用k-means算法
labels, centroids = kmeans(X, 3)

# 绘制聚类结果
plt.scatter(X[:, 0], X[:, 1], c=labels)
plt.scatter(centroids[:, 0], centroids[:, 1], s=100, marker='x', c='red')
plt.show()

其中，参数`X`为数据集，参数`k`为聚类个数。该函数返回每个点的标签以及聚类的质心。在代码中，我们使用随机初始化的方式来初始化质心，计算每个点到质心的距离，找到距离最近的质心，并更新质心，直到质心不再变化为止。最后，我们使用散点图将聚类结果可视化。