聚类K_means的底层实现

import numpy as np  
import matplotlib.pyplot as plt
import copy   
# 生成样本点==>特征
x=np.array([[1,2],[3,4],[4,5],[6,7]])
# 定义K个质心
C=np.array([[4.0,2.0],[5.0,3.0]])
# 展示处理之前的样本点和质心的距离
plt.scatter(x[:,0],x[:,1],marker='.',s=50,c='orange',)
plt.scatter(C[:,0],C[:,1],marker='*',c='red')
plt.show()
while True:
    #计算每个样本到质心的距离
    B=[]
    C_=copy.deepcopy(C)
    for c in C:
        dist = np.sqrt(((x-c)**2).sum(axis=1)) # 欧式距离 计算公式
        B.append(dist)
    # 求归属 判断每个样本点距离那个质心更近
    min_dix = np.argmin(B,axis=0)
    # 更新质心
    for i in range(len(C)):
        C[i] = np.mean(x[min_dix==i],axis=0)
        # 如果计算的质心与新的中心点位置一样，质心不需要在移动位置了
    if (C==C_).all():
        break
# 展示处理之后的样本点和质心的距离
plt.scatter(x[:,0],x[:,1],marker='.',s=50,c='orange',)
plt.scatter(C[:,0],C[:,1],marker='*',c='red')
plt.show()