深度学习基础10---非监督学习算法k-means应用

这篇文章写一下如何用Python算法实现k-means应用
还是继续上一篇的例子：

import numpy as np


def kmeans(X,k,maxIt):#X，数据集；k，聚类中心点个数；maxIt：最大迭代次数
    numPoints,numDim=X.shape#行，列
    
    dataSet=np.zeros((numPoints,numDim+1))#给原来数据多加一列
    
    dataSet[:,:-1]=X #除了最后一列都与X相等
    
    centroids=dataSet[np.random.randint(numPoints,size=k)]#中心点的选择，随机选择
    #centroids=dataSet[0:2,:]
    
    centroids[:,-1]=range(1,k+1)  
    
    iterations=0  #循环次数变量
    oldCentroids=None  #旧中心点
     
    while not shouldStop(oldCentroids,centroids,iterations,maxIt):#不停止循环条件
        print('iteration:\n',iterations)
        print('dataset:\n',dataSet)
        print('centroids:\n',centroids)
        
        oldCentroids=np.copy(centroids)
        iterations+=1
        
        updateLabels(dataSet,centroids)#更新label
        
        centroids=getCentroids(dataSet,k)#返回新的中心点
        
    return dataSet

def shouldStop(oldCentroids,centroids,iterations,maxIt):#停止循环条件
    if iterations > maxIt:
        return True
    return np.array_equal(oldCentroids,centroids)

def updateLabels(dataSet,Centroids):
    numPoints,numDim=dataSet.shape
    for i in range(0,numPoints):
        dataSet[i,-1]=getLabelFromClosestCentroid(dataSet[i,:-1],Centroids)
        
        
def getLabelFromClosestCentroid(dataSetRow,centroids):
    label=centroids[0,-1]
    minDist=np.linalg.norm(dataSetRow-centroids[0,:-1])#最小距离
    for i in range(1,centroids.shape[0]):
        dist=np.linalg.norm(dataSetRow-centroids[i,:-1])
        if dist<minDist:
            minDist=dist
            label=centroids[i,-1]
            
    print('minDist:',minDist)
    return label


def getCentroids(dataSet,k):
    result=np.zeros((k,dataSet.shape[1]))
    for i in range(1,k+1):
        oneCluster=dataSet[dataSet[:,-1]==i,:-1]
        result[i-1,:-1]=np.mean(oneCluster,axis=0)
        result[i-1,-1]=i
        
    return result

x1=np.array([1,1])
x2=np.array([2,1])
x3=np.array([4,3])
x4=np.array([5,4])
testX=np.vstack((x1,x2,x3,x4))#纵向堆起来组成一个矩阵


result=kmeans(testX,2,10)
print('final result:',result)

也就是把上一篇文章的算法实现了一下