用python實作K均值算法

import numpy as np
x = np.random.randint(1,60,[30,1])
y = np.zeros(20)
k = 3      

#1選取資料空間中的K個對象作為初始中心，每個對象代表一個聚類中心；
def initcen(x,k):
    return x[:k]      

#2對于樣本中的資料對象，根據它們與這些聚類中心的歐氏距離，按距離最近的準則将它們分到距離它們最近的聚類中心（最相似）所對應的類；
def nearest(kc,i):
    d = abs(kc-i)
    w = np.where(d == np.min(d))
    return w[0][0]

def xclassify(x,y,kc):
    for i in range(x.shape[0]):
        y[i] = nearest(kc,x[i])
        return y      

#3更新聚類中心：将每個類别中所有對象所對應的均值作為該類别的聚類中心，計算目标函數的值；

def kcmean(x,y,kc,k):
    l = list(kc)
    flag = False
    for c in range(k):
        m = np.where(y ==0)
        n = np.mean(x[m])
        if l[j] != n:
            l[j] = n
            flag = True
            print(l,flag)
    return (np.array(l),flag)      

#4判斷聚類中心和目标函數的值是否發生改變，若不變，則輸出結果，若改變，則傳回2）
kc = initcen(x,k)

flag = True
print(x,y,kc,flag)
while flag:
    y = xclassify(x,y,kc)
    kc,flag = kcmean(x,y,kc,k)
print(y,kc)      

# 用鸢尾花花瓣作分析
x = np.array(iris_length)
y = np.zeros(x.shape[0])
kc = initcen(x,3)
flag = True
while flag:
    y = xclassify(x,y,kc)
    kc,flag = kcmean(x,y,kc,3)
print(kc,flag)

# 分析鸢尾花花瓣長度的資料，并用散點圖表示出來
import matplotlib.pyplot as plt
plt.scatter(iris_length, iris_length, marker='p', c=y, alpha=0.5, linewidths=4, cmap='Paired')
plt.show()      

#4鸢尾花完整資料做聚類并用散點圖顯示.

from sklearn.datasets import load_iris
iris=load_iris()
x=iris.data

from sklearn.cluster import KMeans
eat=KMeans(n_clusters=3)
eat.fit(x)
eat.cluster_centers_
y=eat.predict(x)
y

import matplotlib.pyplot as plt
plt.scatter(x[:,0],x[:,1])
plt.show()      

　

轉載于:https://www.cnblogs.com/yuxiang1212/p/9922079.html