K-means聚类算法

第1关：计算欧几里得距离

import numpy as np

def euclid_distance(x1, x2):

    """计算欧几里得距离

    参数:

        x1 - numpy数组

        x2 - numpy数组

    返回值：

        distance - 浮点数，欧几里得距离

    """

    distance = np.sqrt(np.sum((x1 - x2) ** 2))

    return distance

第2关：计算样本的最近邻聚类中心

def nearest_cluster_center(x, centers):

    """计算各个聚类中心与输入样本最近的

    参数:

        x - numpy数组

        centers - numpy二维数组

    返回值：

        cindex - 整数，类中心的索引值，比如3代表分配x到第3个聚类中

    """

    cindex = -1

    from distance import euclid_distance

   

    min_distance = float('inf')  # 初始化最小距离为正无穷大

    for i, center in enumerate(centers):

        distance = euclid_distance(x, center)

        if d