K中心聚类python csv数据集 实例

以下是一个基于CSV数据集的K中心聚类Python实现示例：

import numpy as np
import pandas as pd
from scipy.spatial.distance import cdist

def kcenter_clustering(X, k):
    """
    K-Center聚类算法实现
    :param X: 数据集，形状为(n_samples, n_features)
    :param k: 簇的数量
    :return: 簇的标签，形状为(n_samples,)
    """
    n_samples = X.shape[0]
    # 随机选择第一个中心点
    center_idx = np.random.choice(n_samples, 1)
    centers = X[center_idx]
    # 初始化距离矩阵
    distances = cdist(X, centers, metric='euclidean')
    # 初始化簇的标签
    labels = np.zeros(n_samples, dtype=int)

    for i in range(1, k):
        # 选择距离当前中心点最远的样本作为下一个中心点
        farthest_distance = np.max(distances, axis=1)
        next_center_idx = np.argmax(farthest_distance)
        next_center = X[next_center_idx]
        centers = np.vstack((centers, next_center))
        # 更新距离矩阵
        next_distances = cdist(X, np.array([next_center]), metric='euclidean')
        distances = np.minimum(distances, next_distances)
        # 更新簇的标签
        next_labels = np.ones(n_samples, dtype=int) * i
        labels = np.where(next_distances < distances, next_labels, labels)

    return labels

# 读取CSV数据集
data = pd.read_csv('data.csv')
X = data.iloc[:, :-1].values

# 进行K中心聚类
k = 3
labels = kcenter_clustering(X, k)

# 输出簇的标签
print(labels)

在该示例中，我们使用了Pandas库读取名为`data.csv`的CSV数据集。请确保该文件与代码文件在同一目录中。然后我们从数据集中提取所有特征，并将其传递给K中心聚类实现。在这里，我们假设要将数据集分成3个簇。最后输出每个点所属的簇的标签。

请注意，在实际应用中，您可能需要对数据进行预处理，例如标准化或归一化，以使得K中心聚类算法能够更好地工作。