kMeans--正态分布数据分组

一、准备：k-Means算法是用Python来实现的，要显示出正态分布数据及其散点图，我们首先要先安装两个安装包，一个是numpy,另一个是matploylib，这两个安装包都在Python文件夹下可以找到。

1.numpy安装

      之前我们已经下载安装好了Python并将它保存到了C盘，现在我们只需要找到Python27文件夹下的Scripts文件夹，将Scripts这个目录拷贝下来，然后“右击计算机--属性--高级系统设置--环境变量--系统变量--path--编辑”，将刚才的路径粘贴进去。

       设置好环境变量之后，需要安装另外一个东西，叫做pip，pip就在python自己的目录下的一个叫做Scripts的文件夹里，点开这个文件夹并复制路径到cmd，并输入python -m pip install -U pip,然后等待安装，安装成功就会提示successfully installed.

2.matplotlib安装

       和numpy一样，matplotlib也是用pip来安装，进入cmd窗口下，执行python -m pip install -U pip setuptools进行升级，接着键入python -m pip install matplotlib自动进行安装，系统会自动下载安装包,pip会下载其他的关联安装包，并完成最终的安装。

       最后，如果安装成功就会提示successfully installed.

到这里，我们的准备工作就完成了，接下来就是实现算法。

二、要求：我们要求用正态分布生成数据并显示出数据，用kMeans算法进行聚类，并将聚类结果表现在散点图上，要求在200次以内算法要终止。

算法流程如下：

1.创建k个点作为起始质心（这里以k=2为例）；

2.当任意一个点的簇分配结果发生改变时，对数据集中的每个数据点、对每个质心，计算质心与数据点之间的距离；

3.将数据点分配到距其最近的簇中；

4.对每一个簇，计算簇中所有点的均值并将均值作为质心；

5.判断新的质心与上一个质心的骗鬼量是否为0，如不为0，求出的质心取代原来的质心；若为0，迭代终止；

6.将结果显示出来。

该过程的代码如下：

import numpy
import pylab as pl
import matplotlib.pyplot as plt
plt.figure(1)

plt.figure(2)

x1 = numpy.round(numpy.random.normal(1,1,100),2)
y1 = numpy.round(numpy.random.normal(120,5,100),2)

x2 = numpy.round(numpy.random.normal(3,0.4,100),2)
y2 = numpy.round(numpy.random.normal(120,2,100),2)


a=[]                                                                                             #存入数据
b=[]
for i in x1:
     a.append(i)
for i in x2:
     a.append(i)
for i in y1:
     b.append(i)
for i in y2:
     b.append(i)
print '随机产生的正态分布的数据为：', list(zip(a,b))                                             #输出随机产生的正态分布的数据


def cal_distance(a, b):                                                                          #计算两点的距离
    return (a[0]- b[0]) ** 2 + (a[1] - b[1]) **2

k1=[1,120]
k2=[3,120]

clu_k1 = []                                                                                      #划分两个聚类
clu_k2 = [] 
while True:
    clu_k1 = []
    clu_k2 = []
    for i in range(200):
         
        ab_distance1 = cal_distance(k1, [a[i], b[i]])
        ab_distance2 = cal_distance(k2, [a[i], b[i]])                                           #计算每个样本到聚类中心的距离
        if (ab_distance1 <= ab_distance2):
            clu_k1.append(i)
        else:
            clu_k2.append(i)                                                                    #每个样本归于更近的聚类中心

    
    k1_x = sum([a[i] for i in clu_k1]) / len(clu_k1)