k-means 聚类算法与Python实现代码
38 浏览量
2020-12-17
13:32:39
上传
评论 4
收藏 41KB PDF 举报
k-means 聚类算法与聚类算法与Python实现代码实现代码
k-means 聚类算法思想先随机选择k个聚类中心，把集合里的元素与最近的聚类中心聚为一类，得到一次聚类，再把每一个类
的均值作为新的聚类中心重新聚类，迭代n次得到最终结果分步解析
一、初始化聚类中心一、初始化聚类中心
首先随机选择集合里的一个元素作为第一个聚类中心放入容器，选择距离第一个聚类中心最远的一个元素作为第二个聚类中心
放入容器，第三、四、、、N个同理，为了优化可以选择距离开方做为评判标准
二、迭代聚类二、迭代聚类
依次把集合里的元素与距离最近的聚类中心分为一类，放到对应该聚类中心的新的容器，一次聚类完成后求出新容器里个类的
均值，对该类对应的聚类中心进行更新，再次进行聚类操作，迭代n次得到理想的结果
三、可视化展示三、可视化展示
利用 python 第三方库中的可视化工具 matplotlib.pyplot 对聚类后的元素显示（散点图），方便查看结果
python代码实现
import numpy as np
import matplotlib.pyplot as plt
# 两点距离
def distance(e1, e2):
return np.sqrt((e1[0]-e2[0])**2+(e1[1]-e2[1])**2)
# 集合中心
def means(arr):
return np.array([np.mean([e[0] for e in arr]), np.mean([e[1] for e in arr])])
# arr中距离a最远的元素，用于初始化聚类中心
def farthest(k_arr, arr):
f = [0, 0] max_d = 0
for e in arr:
d = 0
for i in range(k_arr.__len__()):
d = d + np.sqrt(distance(k_arr[i], e))
if d > max_d:
max_d = d
f = e
return f
# arr中距离a最近的元素，用于聚类
def closest(a, arr):
c = arr[1] min_d = distance(a, arr[1])
arr = arr[1:] for e in arr:
d = distance(a, e)
if d < min_d:
min_d = d
c = e
return c
if __name__=="__main__":
## 生成二维随机坐标（如果有数据集就更好）
arr = np.random.randint(100, size=(100, 1, 2))[:, 0, :]
## 初始化聚类中心和聚类容器
m = 5
r = np.random.randint(arr.__len__() - 1)
k_arr = np.array([arr[r]])
cla_arr = [[]] for i in range(m-1):
k = farthest(k_arr, arr)
k_arr = np.concatenate([k_arr, np.array([k])])
cla_arr.append([])
## 迭代聚类
n = 20
资源评论
