写一个python脚本 基于曼哈顿距离实现KMeans聚类 并保存聚类结果

好的，以下是实现KMeans聚类并保存聚类结果的python脚本：

import numpy as np
import pandas as pd


def manhattan_distance(x1, x2):
    """计算曼哈顿距离"""
    return np.sum(np.abs(x1 - x2))


def KMeans(data, K, max_iter=300):
    """
    KMeans聚类算法
    :param data: 数据集，numpy数组或pandas dataframe
    :param K: 聚类数
    :param max_iter: 最大迭代次数
    :return: labels - 每个样本所属簇的标签
             centroids - 簇的中心点坐标
    """
    # 随机初始化K个中心点
    n_samples, n_features = data.shape
    centroids = data[np.random.choice(n_samples, K, replace=False)]
    # 初始化样本所属簇的标签
    labels = np.zeros(n_samples)

    # 迭代KMeans算法
    for _ in range(max_iter):
        # 为每个样本分配所属簇
        for i in range(n_samples):
            distances = [manhattan_distance(data[i], centroid) for centroid in centroids]
            labels[i] = np.argmin(distances)
        # 更新簇的中心点坐标
        for k in range(K):
            mask = (labels == k)
            if np.sum(mask) > 0:
                centroids[k] = np.mean(data[mask], axis=0)

    return labels, centroids


if __name__ == '__main__':
    # 读取数据集
    data = pd.read_csv('data.csv', header=None).values
    # 聚类
    K = 3
    labels, centroids = KMeans(data, K)
    # 保存聚类结果
    results = np.column_stack((data, labels))
    pd.DataFrame(results).to_csv('results.csv', header=None, index=None)

在这个脚本中，我们使用numpy数组或pandas dataframe作为数据集，实现了基于曼哈顿距离的KMeans聚类算法，并保存了聚类结果。你可以根据需要修改数据集和聚类数K，然后运行脚本即可得到聚类结果。注意，由于我们使用了随机初始化中心点，每次运行结果可能不同。