利用python举实例实现kmeans聚类算法

以下是一个简单的Python实现K-means聚类算法的示例代码：

import numpy as np
import matplotlib.pyplot as plt

# 初始化数据点
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])

# 定义K-means算法
def kmeans(X, K):
    # 随机选择K个中心点
    centers = X[np.random.choice(range(len(X)), K, replace=False)]
    
    while True:
        # 分配每个数据点到最近的中心点
        labels = np.array([np.argmin(np.sqrt(np.sum((X - center)**2, axis=1))) for center in centers])
        # 计算每个簇的平均值并更新中心点
        new_centers = np.array([X[labels == i].mean(axis = 0) for i in range(K)])
        # 如果中心点不再变化，则算法收敛
        if np.all(centers == new_centers):
            break
        centers = new_centers
    
    return centers, labels

# 调用K-means算法
centers, labels = kmeans(X, 2)

# 绘制数据点和中心点
plt.scatter(X[:,0], X[:,1], c=labels)
plt.scatter(centers[:,0], centers[:,1], marker='*', s=300, c='r')
plt.show()

在此示例中，我们首先初始化了一个包含六个数据点的数组X，然后定义了一个名为kmeans的函数，该函数接受X和K（簇的数量）作为参数。

在函数中，我们首先随机选择K个中心点，然后在while循环中执行以下操作：

1. 将每个数据点分配到最近的中心点（即，将每个数据点分配到最近的簇）。
2. 计算每个簇的平均值并更新中心点。
3. 如果中心点不再变化，则算法收敛并退出循环。

最后，我们调用kmeans函数并将其结果传递给scatter函数以绘制数据点和中心点。在此示例中，我们将数据点用不同颜色的圆圈表示，将中心点用红色星号表示。