python实现实现k-means聚类算法聚类算法
k-means聚类算法聚类算法
k-means是发现给定数据集的k个簇的算法,也就是将数据集聚合为k类的算法。
算法过程如下:
1)从N个文档随机选取K个文档作为质心
2)对剩余的每个文档测量其到每个质心的距离,并把它归到最近的质心的类,我们一般取欧几里得距离
3)重新计算已经得到的各个类的质心
4)迭代步骤(2)、(3)直至新的质心与原质心相等或迭代次数大于指定阈值,算法结束
算法实现算法实现
随机初始化k个质心,用dict保存质心的值以及被聚类到该簇中的所有data。
def initCent(dataSet , k):
N = shape(dataSet)[1] cents = {}
randIndex=[] #随机生成k个不重复的索引
for i in range(k):
rand = random.randint(0,N)
while rand in randIndex:
rand = random.randint(0, N)
randIndex.append(rand)
#按索引取dataSet中的data作为质心
for i in range(k):
templist = [] templist.append(dataSet[randIndex[i]])
templist.append([dataSet[randIndex[i]]])
cents[i] = templist
return cents
对dataSet中的所有数据进行一次聚类。返回值cents为dict类型的数据,int类型的key,list类型的value。其中cents[i][0]为质心
位置,cents[i][1]为存储该簇中所有data的列表。
#计算两个向量的欧氏距离
def calDist(X1 , X2):
sum = 0
for x1 , x2 in zip(X1 , X2):
sum += (x1 - x2) ** 2
return sum ** 0.5
#聚类
def doKmeans(dataSet , k , cents):
#清空上一次迭代后的簇中元素,只记录质心
for i in range(k):
cents[i][1] = [] for data in dataSet:
no = 0#初始化簇标号
minDist = sys.maxint#初始化data与k个质心的最短距离
for i in range(k):
dist = calDist(data , cents[i][0])
if dist < minDist:
minDist = dist
no = i
#找到距离最近的质心
cents[no][1].append(data)
#更新质心
for i in range(k):
for j in range(shape(dataSet)[0]):
cents[i][0] = mean(cents[i][1],axis=0).tolist()
return cents
k-means主方法主方法
#判断两次聚类的结果是否相同
def isEqual(old , new):
for i in range(len(old)):
if(old[i] != new[i][0]):
return 0
return 1
#主方法