kmeans聚类的简介和代码（python）

最新推荐文章于 2025-05-29 21:28:37 发布

Jason____zhou

最新推荐文章于 2025-05-29 21:28:37 发布

阅读量2.6k

点赞数 1

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/Jason____zhou/article/details/50283035

本文介绍了k-means聚类算法的基本原理，并提供了详细的Python代码实现。通过随机生成初始聚类中心，不断迭代更新样本归属和聚类中心，直至中心点不再变化。最后，使用生成的随机数据展示k-means聚类结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、k均值聚类的简单介绍：假设样本分为c类，每个类均存在一个中心点，通过随机生成c个中心点进行迭代，计算每个样本点到类中心的距离（可以自定义、常用的是欧式距离）
        将该样本点归入到最短距离所在的类，重新计算聚类中心，进行下次的重新划分样本，最终类中心不改变时，聚类完成

二、伪代码

        


三、python代码实现

 #!/usr/bin/env python
# coding=utf-8

import numpy as np
import random
import matplotlib.pyplot as plt



#data:numpy.array dataset
#k the number of cluster
def k_means(data,k):
    
    #random generate cluster_center
    sample_num=data.shape[0]
    center_index=random.sample(range(sample_num),k)
    cluster_cen=data[center_index,:]

    is_change=1
    cat=np.zeros(sample_num)
    

    while is_change:
        is_change=0

        for i in range(sample_num):
            min_distance=100000
            min_index=0

            for j in range(k):
                sub_data=data[i,:]-cluster_cen[j,:]
                distance=np.inner(sub_data,sub_data)
                if distance<min_distance:
                    min_distanc