kmeans聚类算法python代码

以下是使用Python实现K-means聚类算法的代码：

import numpy as np
import matplotlib.pyplot as plt

def kmeans(X, K, max_iters=100):
    # 初始化质心，随机从X中选择K个样本
    centroids = X[np.random.choice(X.shape[0], K, replace=False), :]
    
    for i in range(max_iters):
        # 计算每个样本到各个质心的距离
        distances = np.sqrt(((X - centroids[:, np.newaxis])**2).sum(axis=2))
        
        # 分配每个样本到最近的质心
        labels = np.argmin(distances, axis=0)
        
        # 更新质心位置
        for j in range(K):
            centroids[j, :] = np.mean(X[labels == j, :], axis=0)
    
    return labels, centroids

# 生成数据
np.random.seed(0)
X = np.vstack([np.random.randn(100, 2) + [2, 2], 
               np.random.randn(100, 2) + [-2, -2], 
               np.random.randn(100, 2) + [-2, 2]])
               
# 调用K-means算法
labels, centroids = kmeans(X, K=3)

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

代码中，`kmeans`函数接受三个参数：`X`为输入的数据，`K`为聚类的簇数，`max_iters`为最大迭代次数。函数先随机选择K个样本作为初始质心，然后进行迭代优化，直到达到最大迭代次数或质心不再发生变化为止。在每次迭代中，函数计算每个样本到各个质心的距离，然后将每个样本分配到最近的质心，并更新质心位置。函数最终返回每个样本所属的簇标签和最终的质心位置。

代码中，我们生成了一个二维数据集，其中包含三个簇。然后我们调用`kmeans`函数进行聚类，得到每个样本所属的簇标签和最终的质心位置。最后，我们用散点图将聚类结果可视化。