python的K-means算法代码

### 回答1：
以下是Python实现的K-means算法代码：

import numpy as np
import matplotlib.pyplot as plt

def kmeans(X, K, max_iters=20):
    centroids = X[np.random.choice(np.arange(len(X)), K), :]
    for i in range(max_iters):
        C = np.zeros(len(X))
        for j in range(len(X)):
            distances = np.linalg.norm(X[j] - centroids, axis=1)
            cluster = np.argmin(distances)
            C[j] = cluster
        for k in range(K):
            centroids[k] = X[C == k].mean(axis=0)
    return C, centroids

# 生成数据
np.random.seed(0)
X1 = np.random.randn(100, 2) + np.array([2, 2])
X2 = np.random.randn(100, 2) + np.array([-2, -2])
X3 = np.random.randn(100, 2) + np.array([2, -2])
X4 = np.random.randn(100, 2) + np.array([-2, 2])
X = np.vstack([X1, X2, X3, X4])

# 调用kmeans函数
C, centroids = kmeans(X, 4)

# 绘制结果
plt.scatter(X[:, 0], X[:, 1], c=C)
plt.scatter(centroids[:, 0], centroids[:, 1], marker='x', s=200, linewidths=3, color='r')
plt.show()

其中，`X`是一个$n\times m$的矩阵，其中$n$是数据点的数量，$m$是每个数据点的维度。`K`是聚类的数量，`max_iters`是最大迭代次数。函数返回一个长度为$n$的向量`C`，其中的每个元素表示该数据点所属的聚类编号，以及一个$K\times m$的矩阵`centroids`，其中的每行表示一个聚类的中心点。

### 回答2：
K-means算法是一种常用的聚类算法，在Python中可以使用scikit-learn库中的KMeans模块进行实现。以下是K-means算法的Python代码示例：

# 导入所需的库
from sklearn.cluster import KMeans
import numpy as np

# 创建样本数据
X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])

# 创建并拟合K-means模型
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)

# 获取每个样本所属的簇
labels = kmeans.labels_

# 获取每个簇的中心点坐标
centroids = kmeans.cluster_centers_

# 输出结果
print("每个样本所属的簇：", labels)
print("簇的中心点坐标：", centroids)

以上代码将创建一个包含6个样本的数据集X，其中每个样本有2个特征。接下来，使用KMeans函数创建一个K-means模型，并使用fit函数拟合数据。通过调整n_clusters参数的值可以指定需要聚类的簇的数量。然后，可以使用labels_属性获取每个样本所属的簇，并使用cluster_centers_属性获取每个簇的中心点坐标。最后，输出每个样本所属的簇和簇的中心点坐标。

需要注意的是，K-means算法的结果可能受到初始聚类中心的影响。可以通过设置random_state参数来固定随机种子，以使结果可重复。

### 回答3：
K-means算法是一种常用的聚类算法，可以将数据集分为k个不同的簇。下面是一个用Python实现K-means算法的示例代码：

import numpy as np

def k_means(data, k, max_iters):
    # 随机选择k个样本作为初始聚类中心
    centers = data[np.random.choice(data.shape[0], k, replace=False)]
    
    for _ in range(max_iters):
        # 计算每个样本与聚类中心的距离
        distances = np.linalg.norm(data[:, np.newaxis] - centers, axis=-1)
        
        # 分配每个样本到离其最近的聚类中心
        labels = np.argmin(distances, axis=-1)
        
        # 更新聚类中心为每个簇的平均值
        centers = np.array([data[labels == i].mean(axis=0) for i in range(k)])
        
    return centers, labels

# 测试
data = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])
k = 2
max_iters = 10

centers, labels = k_means(data, k, max_iters)

print("聚类中心：")
print(centers)
print("样本标签：")
print(labels)

该代码实现了K-means算法，首先随机选择k个样本作为初始聚类中心，然后迭代更新聚类中心和样本标签，直到达到最大迭代次数。最终输出聚类中心和样本标签。在给定的数据集中，将数据分为2个簇，并输出了每个簇的聚类中心和样本标签。