Kmeans算法实例包含数据和代码

以下是一个Kmeans算法的Python实现示例：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs

# 生成随机数据
X, _ = make_blobs(n_samples=1000, centers=4, random_state=42)

# 定义Kmeans类
class KMeans:
    def __init__(self, n_clusters=4, max_iter=100, random_state=42):
        self.n_clusters = n_clusters
        self.max_iter = max_iter
        self.random_state = random_state

    def fit(self, X):
        self.centroids = X[np.random.choice(X.shape[0], self.n_clusters, replace=False), :]
        for i in range(self.max_iter):
            distances = np.sqrt(((X - self.centroids[:, np.newaxis])**2).sum(axis=2))
            labels = np.argmin(distances, axis=0)
            for j in range(self.n_clusters):
                self.centroids[j, :] = X[labels == j, :].mean(axis=0)

    def predict(self, X):
        distances = np.sqrt(((X - self.centroids[:, np.newaxis])**2).sum(axis=2))
        return np.argmin(distances, axis=0)

# 实例化Kmeans类
kmeans = KMeans(n_clusters=4, max_iter=100, random_state=42)

# 拟合数据
kmeans.fit(X)

# 预测数据
y_pred = kmeans.predict(X)

# 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=y_pred)
plt.scatter(kmeans.centroids[:, 0], kmeans.centroids[:, 1], marker='x', s=200, linewidths=3, color='r')
plt.show()

在上面的代码中，我们使用 `make_blobs` 函数生成1000个数据点，分为4个簇。然后我们定义了一个 `KMeans` 类，包含 `fit` 和 `predict` 方法，用于拟合和预测数据。在 `fit` 方法中，我们随机初始化簇心，然后迭代更新簇心和数据点的标签，直到达到最大迭代次数或者收敛。在 `predict` 方法中，我们根据簇心的位置计算每个数据点与簇心的距离，并返回距离最近的簇心的标签。最后，我们使用 `scatter` 函数可视化数据和簇心的位置。