用python代码实现kmeans算法

最新推荐文章于 2025-05-29 21:28:37 发布

原创最新推荐文章于 2025-05-29 21:28:37 发布 · 1.3k 阅读

1 ·

CC 4.0 BY-SA版权

python 专栏收录该内容

25 篇文章

订阅专栏

这段代码展示了如何使用Python实现KMeans聚类算法。通过定义kmeans函数进行聚类，shouldstop函数判断是否停止迭代，updatenumSet更新样本类别，getlabelfromcentroids确定样本所属簇，最后getcentroids计算新的质心。代码中给出了一个简单的测试例子。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import numpy as npy
def kmeans(X,k,maxIteration):
    numpoint,numdim=X.shape
    numSet=npy.zeros((numpoint,numdim+1))
    numSet[:,:-1]=X
    centroids=numSet[npy.random.randint(numpoint,size=k),:]
    centroids[:,-1]=range(1,k+1)
    iteration=0
    oldcentroids=None
    while not shouldstop(oldcentroids,centroids,iteration,maxIteration):
        oldcentroids=npy.copy(centroids)
        iteration+=1
        updatenumSet(numSet,centroids)
        centroids=getcentroids(numSet,k)
    return numSet
def shouldstop(oldcentroids,centroids,iteration,maxIteration):
    if(iteration>maxIteration):
        return True
    return npy.array_equal(oldcentroids,centroids)
def updatenumSet(numSet,centroids):
    numpoint,numdim=numSet.shape
    for i in range(0,numpoint):
        numSet[i,-1]=getlabelfromcentroids(numSet[i,:-1],centroids)
def getlabelfromcentroids(numSetRow,centroids):
    label=centroids[0][-1]
    mindistannce=npy.linalg.norm(numSetRow-centroids[0,:-1])
    for i in range(1,centroids.shape[0]):
        dist=npy.linalg.norm(numSetRow-centroids[i,:-1])
        if(dist<mindistannce):
            mindistance=dist
            label=centroids[i,-1]
    return label
def getcentroids(numSet,k):
    result=npy.zeros((k,numSet.shape[1]))
    for i in range(1,k+1):
        onCluster=numSet[numSet[:,-1]==i,:-1]
        result[i-1,:-1]=npy.mean(onCluster,axis=0)#行相加取均值
        result[i-1,-1]=i
    return result
x1=npy.array([1,1])
x2=npy.array([2,1])
x3=npy.array([4,3])
x4=npy.array([5,4])
test_x=npy.vstack((x1,x2,x3,x4))#纵向合并
result=kmeans(test_x,2,100)
print(result)