k-means算法c语言实现

K-means是一种常用的无监督机器学习算法，用于数据聚类。在C语言中实现K-means的主要步骤包括：

1. 初始化质心：随机选择k个数据点作为初始质心（中心）。
2. 分配数据点到最近的质心：对于每个数据点，计算它到所有质心的距离，并将其分配给距离最近的那个质心。
3. 更新质心：根据每个簇内的所有数据点重新计算新的质心位置，通常取簇内所有点的均值。
4. 重复步骤2和3直到满足停止条件：比如达到预设的最大迭代次数、质心不再改变，或者簇内点的分布变化小于某个阈值。

以下是简化的C语言代码示例（使用整数数组表示数据集）：

#include <stdio.h>
#include <stdlib.h>
#include <math.h>

#define K 3 // 聚类数目
#define MAX_ITER 100 // 最大迭代次数

typedef struct {
    int center; // 质心
    int count; // 所属簇的数据点个数
} Cluster;

void init_clusters(int data[], int n, Cluster clusters[K]) {
    for (int i = 0; i < K; ++i) {
        clusters[i].center = rand() % n;
        clusters[i].count = 0;
    }
}

void assign_points_to_clusters(int data[], int n, Cluster* clusters) {
    for (int i = 0; i < n; ++i) {
        int min_dist = INT_MAX, closest_center = -1;
        for (int j = 0; j < K; ++j) {
            int dist = abs(data[i] - clusters[j].center);
            if (dist < min_dist) {
                min_dist = dist;
                closest_center = j;
            }
        }
        clusters[closest_center].count++;
        // 可能需要更新簇的平均值
    }
}

void update_centers(int data[], int n, Cluster* clusters) {
    for (int i = 0; i < K; ++i) {
        if (clusters[i].count > 0) {
            clusters[i].center = (data[0] + ... + data[clusters[i].count - 1]) / clusters[i].count;
        } else {
            // 对于空簇，可以设置随机位置或其他处理方式
        }
    }
}

// 主函数
int main() {
    int data[] = {...}; // 数据集
    int n = sizeof(data) / sizeof(data[0]);
    
    Cluster clusters[K];
    for (int iter = 0; iter < MAX_ITER; ++iter) {
        assign_points_to_clusters(data, n, &clusters);
        update_centers(data, n, clusters);
        
        // 检查是否收敛
        if (clusters[0].center == ... && ...) {
            break;
        }
    }

    return 0;
}

请注意，这只是一个简化版的K-means实现，实际应用中可能需要处理更多细节，例如数据预处理、异常值处理以及更复杂的终止条件等。