#!/usr/bin/python
# -*- coding: utf-8 -*-
import numpy as np
import pandas as pd
from math import sqrt
import matplotlib.pyplot as plt
'''
1.对每一个存在勿连约束的样本,检查他的所有勿连约束样本,如果已经分类,则正常进行勿连约束判断分类。
如果未分类,则将所有勿连样本拿出来与当前各分类中心进行距离计算,找出一个的分类,使得当前样本与该类
的中心的距离小于所有勿连样本与它的距离。如果有多个这样的分类,选择中心距离当前样本最近的一个。
2. 如果不存在这样的分类,也正常进行勿连约束判断分类。
'''
#计算两个向量之间的欧式距离
def norm(vec1, vec2):
dist = np.linalg.norm(vec1 - vec2)
return dist
#对一个列表进行排列,默认返回从小到大的排序,并返回对应的索引
def sort(vec):
clss = {}
for i in range(len(vec)):
clss[vec[i]] = i
vec_sort = sorted(vec)
index = []
for i in range(len(vec)):
index.append(clss[vec_sort[i]])
return vec_sort, index
df = pd.read_csv('watermelon_9_1.csv')
data = df.values[:, 1:]
m, n = data.shape
k = 3
#初始化中心点
centroids = np.vstack((data[6 - 1,:],data[12 - 1,:],data[27 - 1,:]))
c1 = {}
#必连标记
西瓜书第十三章10题 13.10[python]
最新推荐文章于 2023-06-29 20:43:06 发布
本文展示了如何使用Python实现一种考虑勿连约束的K-means聚类算法。通过读取watermelon_9_1.csv数据集,初始化中心点,设定必连和勿连样本约束,然后计算每个样本到中心点的距离,依据勿连约束规则进行分类。最后,更新中心点并绘制聚类结果。
摘要由CSDN通过智能技术生成